Rapport Corrigé 5G

MINISTERE DE LA DEFENSE NATIONALE
ECOLE MILITAIRE POLYTECHNIQUE
MÉMOIRE
Présenté pour l'obtention du diplôme
D’Ingéniorat
Filière :
Systèmes Électroniques
Option :
Télécommunication
Par :
Contribution ….etc
Présenter par
DÉDICACES
Je dédie ce modeste travail à : ma mère qui a beaucoup sacrifié pour le bien être de ses
enfants.
A mes deux frères Islem et Akram qui me donnent tout le support dont j’ai besoin dans ce
monde.
A mon binôme pour tous ses efforts durant ce dernier semestre.
A tous mes amis surtout Abed, Amine, Yacine et Zaki.
Irched
Dédicaces
Je dédie ce mémoire à :
· Mes parents :
A mon Père A ma mère

Aucune dédicace ne saurait Affable, honorable, aimable : Tu
exprimer l’amour, représentes pour moi le
l’estime, le dévouement et le symbole de la bonté par excellence
respect que j’ai toujours eu et l’exemple du dévouement qui
pour vous. n’a pas cessé de m’encourager et
Rien au monde ne vaut les efforts de prier pour moi.
fournis jour et Ta prière m’a été d’un grand
nuit pour mon éducation et mon secours
bien être. pour mener à bien mes études..
Ce travail est le fruit de tes Je te dédie ce travail en
sacrifices que tu as témoignage de mon profond
consentis pour mon éducation et amour. Puisse Dieu, le tout
ma formation. puissant, te préserver et
t’accorder santé, longue vie et
bonheur.
À mes sœurs, mon frère, mon petit-neveu Haithem, ma cousine et à

toute ma famille maternelle et paternelle
À mes amis Jilali, Irched, Mohamed, Chawki, Abdkader, Aissa,
Hichem, Ali, Mohamed, Fateh.,Mustapha et Walid.
Yacine
Remerciements
C’est à notre Seigneur “ALLAH” que nous adressons nos remerciements en
premier lieu.
Nous adressons nos reconnaissances les plus chaleureuses au commandant de
l’EMP, le Général S.GUERID, au Directeur de la Formation Graduée, le Col A.
KHELOUI, aux chefs du Département d’Electricité, le Lt Col F. KHOUCHA et le Cdt
Z.MESSAOUDI.
Nous remercions le chef de l’UER d’Electronique le Col H.KIMOUCH d’avoir mis
à notre disposition tous les moyens matériels pour la bonne conduite du projet.
Nous tenons à exprimer notre profonde gratitude à notre promoteur Col JEDDOU
Mustapha pour nous avoir fait l’honneur de diriger ce travail. Qu’il trouve ici nos
respectueux remerciements pour l’intérêt et le soutien sans relâche qu’il nous a
accordé.
Nous voudrons également remercier et exprimer notre profond respect à tous les
membres de jury qui ont bien voulu nous faire l’honneur d’assister à notre soutenance
de projet de fin d’étude afin de juger la qualité de notre travail.
Nous remercions très sincèrement tous les enseignants du laboratoire systèmes de
communication notamment le Cdt BENSSALAH Mustapha pour son aide
Nous remercions aussi tous les enseignants qui ont participé de près ou de loin à
notre formation.
Table des matières
Abréviations viii
Notations xii
Liste des Figures xv
Liste des Tableaux xvi
Introduction Générale 1
I Généralités 5
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
I.2 Évolution des réseaux cellulaires . . . . . . . . . . . . . . . . . . . . . . . . 6
I.3 Pourquoi la 5G ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
I.4 Architectures possibles pour un système 5G . . . . . . . . . . . . . . . . . 10
I.4.1 Système MU-MIMO massif . . . . . . . . . . . . . . . . . . . . . . 11
I.4.2 Système cellulaire mmWave . . . . . . . . . . . . . . . . . . . . . . 13
I.5 Techniques de modulation possibles pour la 5G . . . . . . . . . . . . . . . 16
I.6 Défis de recherches pour la 5G . . . . . . . . . . . . . . . . . . . . . . . . . 18
I.7 État de l’Art de l’estimation du canal pour un système 5G . . . . . . . . . 19
II Caractéstiques de propagation du Canal mmWave 22

II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
II.2 Spectre et impératifs de normalisation . . . . . . . . . . . . . . . . . . . . 23
II.3 Quelques activités de recherches sur la bande des ondes millimétriques . . . 25
II.3.1 Travaux du laboratoire de Rutherford Appleton (RAL) . . . . . . . 25
II.3.2 Travaux du centre de recherche de France Telecom (CNET) . . . . 26
II.3.3 Travaux effectués aux Etats Unis . . . . . . . . . . . . . . . . . . . 26
v
EMP Table des matières
II.4 Caractéristiques de propagation des ondes millimétriques . . . . . . . . . . 26

II.4.1 Propagation en éspace libre . . . . . . . . . . . . . . . . . . . . . . 27
II.4.2 Absorption atmosphérique . . . . . . . . . . . . . . . . . . . . . . . 28
II.4.3 Atténuation par la pluie . . . . . . . . . . . . . . . . . . . . . . . . 28
II.4.4 Atténuation par le brouillard . . . . . . . . . . . . . . . . . . . . . 30
II.4.5 Atténuation par la neige . . . . . . . . . . . . . . . . . . . . . . . . 30
II.4.6 Pertes de pénétration . . . . . . . . . . . . . . . . . . . . . . . . . 31
II.4.7 Réflection des ondes millimétriques . . . . . . . . . . . . . . . . . . 31
II.4.8 Étalement du retard . . . . . . . . . . . . . . . . . . . . . . . . . . 32
II.5 Modélisation du canal mmWave . . . . . . . . . . . . . . . . . . . . . . . . 33
II.5.1 Modèle du path loss . . . . . . . . . . . . . . . . . . . . . . . . . . 33
II.5.1.1 Modèle du path loss à 73 GHz . . . . . . . . . . . . . . . 34
II.5.1.2 Modèle du path loss à 28 et 38 GHz . . . . . . . . . . . . 35
II.5.2 Modèles pour le canal mmWave . . . . . . . . . . . . . . . . . . . . 37
II.5.2.1 Modèle géométrique . . . . . . . . . . . . . . . . . . . . . 38
II.5.2.2 Modèle de Saleh-Valenzuela (SV) . . . . . . . . . . . . . . 39
II.6 Avantages de la bande millimétrique . . . . . . . . . . . . . . . . . . . . . 40
II.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
III Estimation du canal de transmission 42

III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
III.2 Éstimation du canal de transmission sans contamination des pilotes . . . . 43
III.2.1 Éstimation du canal dans un système d’onde millimétrique . . . . . 43
III.2.1.1 Modèle du système . . . . . . . . . . . . . . . . . . . . . 44
III.2.1.2 Problème d’estimation du canal mmWave . . . . . . . . . 46
III.2.1.3 Dictionnaire hybride hiérarchique multirésolution . . . . . 49
III.2.1.4 Algorithmes adaptatifs d’estimation du canal mmWave . 53
III.2.1.5 Codage hybride . . . . . . . . . . . . . . . . . . . . . . . 58
III.2.2 Éstimation du canal dans un système MU-MIMO massif . . . . . 60
III.2.2.1 Modèle du système . . . . . . . . . . . . . . . . . . . . . . 61
III.2.2.2 Éstimation des paramètres du canal . . . . . . . . . . . . 62
III.2.2.3 Borne de Cramer-Rao . . . . . . . . . . . . . . . . . . . . 70
III.3 Éstimation du canal de transmission avec contamination des pilotes . . . . 71
III.3.1 Éstimation du canal dans un système MU-MIMO massif . . . . . . 71
vi
III.3.1.1 Modèle du système . . . . . . . . . . . . . . . . . . . . . . 72

III.3.1.2 Éstimation des paramètres du canal . . . . . . . . . . . . 75
III.3.2 Éstimation du canal dans un système d’onde millimétrique . . . . . 80
III.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
IV Résultats de simulation 83
IV.1 Introdution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
IV.2 Cas d’un système MU-MIMO massif . . . . . . . . . . . . . . . . . . . . . 84
IV.2.1 Éstimation du canal sans contamination des pilotes . . . . . . . . . 84
IV.2.2 Éstimation du canal avec contamination des pilotes . . . . . . . . . 87
IV.3 Cas d’un système mmWave . . . . . . . . . . . . . . . . . . . . . . . . . . 91
IV.3.1 Éstimation du canal sans contamination des pilotes . . . . . . . . . 91
IV.3.2 Éstimation du canal avec contamination des pilotes . . . . . . . . . 103
IV.4 Comparaison entre les deux systèmes candidats . . . . . . . . . . . . . . . 106
IV.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Conclusion et perspectives 108
Bibliographie 113
vii
Abréviations
ABF Analog Beamforming

ADC Analog to Digital Converter
AOA Angle of Arrival
AOD Angle of Departure
AMC Adaptative Modulation and Coding
BS Base Station
BU-ESPRIT Beamspace Unitary Estimation of Signal Parameters
via Rotational Invariance Techniques
BER Bit Error Rate
CNET Centre National d’Etudes des Télécommunications
CRB Cramer Rao Bound
CS Compressed Sensing
CDMA Code Division Multiple Access
CDMA 2000 Code Division Multiple Access 2000
CMOS Complementary Metal Oxide Semi conductor
CQI Channel Quality Indicator
DAC Digital to Analog Converter
DBF Digital Beamforming
DOA Direction of Arrival
DOD Direction of Departure
DFT Discrete Fourier Transform
D2D Device to Device
EDGE Enhanced Data Rate for GSM Evolution
ETSI European Telecommunications Standards Institute
ESPRIT Estimation of Signal Parameters via Rotational Invariance Techniques
EQM Erreur Quadratique Moyenne
viii
EHF Extrêmement Haute Fréquence

FBA Forward Backward Averaging
FBMC Filter Bank Multi Carrier
FCC Federal Communications Commission
FSS Fixed Satellite Services
FDD Frequency Division Duplexing
FFT Fast Fourier Transform
UFMC Universal Filtred Multi Carrier
F-OFDM Filtred Orthogonal Frequency Division Multiplexing
GFDM Generalised Frequency Division Multiplexing
GSO Geostationary Orbit
GSM Global System for Mobile Comunication
GPRS General Packet Radio Service
HSDPA High Speed Downlink Packet Access
HSUPA High Speed Uplink Packet Access
HSPA High Speed Packet Access
IEEE Institute of Electrical and Electronics Engineers
ISI Inter Symbol Interference
IFFT Inverse Fast Fourier Transform
IMT-2000 International Mobile Telecommunications for the year 2000
IS-95 Interim Standard 95
ITU International Telecommunication Union
IMT-Advenced International Mobile Telecomunication Advanced
LTE Long Term Evolution
LTE-A Long Term Evolution Advanced
LNA Low Noise Amplifier
LMDS Local Multipoint Distribution Service
LOS Line Of Sight
MU-MIMO Multi User Multiple Input and Multiple Output
MUSIC Multiple Signal Classification
MUSIC-2D Multiple Signal Classification 2 Dimension
MIMO Multiple Input and Multiple Output
MS Mobile Station
ix
MMS Multimedia Messaging Service

M2M Machine to Machine
MSS Mobile Satellite Service
METIS 2020 Mobile and Wireless Communications Enablers
for the Twenty twenty (2020) Information Society
NLOS Non Line Of Sight
NGSO Non Geostationary Orbit
NON-LTTS Non Local Television Transmission Service
NIST National Institute of Standards and Technology
NYU WIRELESS New York University WIRELESS
OFDM Orthogonal Frequency Division Multiplexing
PAPR Peak to Average Power Ratio
PDP Power Delay Profile
PSK Phase Shift Keying
PCB Printed Circuit Bboard
QPSK Quadrature Phase Shift Keying
RIP Restricted Isometry Property
RD-MUSIC Rreduced Dimension Multiple Signal Classification
RF Radio Frequency
RAL Rutherford Appleton Laboratory
SMS Short Message Service
SV Saleh Valenzuela
SVD Singular Value Decomposition
SNR Signal to Noise Ratio
SDMA Space Division Multiple Access
TDD Time Devision Duplexing
TD-SCDMA Time Division Synchronous Code Division Multiple Access
TTI Transmission Time Interval
TG3c Task Group 3c
UHD Ultra High Denition
ULA Uniform linear array
UMTS Universal Mobile Telecommunications System
VGA Variable Gain Amplifier
x
WINNER I Wireless World Initiative New RadioI

WINNER II Wireless World Initiative New RadioII
WCDMA Wideband Code Division Multiple Access
WiGig Wireless Gigabit
ZF Zero Forcing
2D Dimension Deux
2D-UESPRIT 2 Dimension Unitary Estimation of Signal Parameters via
Rotational Invariance Techniques
3GPP 3rd Generation Partnership Project
3GPPSCM 3rd Generation Partnership Project Spatial Channel Model
3GPP2 3rd Generation Partnership Project 2
xi
Notations
Dans ce mémoire, les matrices et les vecteurs sont représentés en gras, les majuscules
sont utilisées pour désigner les matrices et les minuscules pour désigner les vecteurs. Le
sens des symboles est celui indiqué ci-dessous, si une autre signification est voulue, elle
est explicitement donnée :
AT Opérateur de transposition.
A? Complexe comjugué.
AH Transposé Hermitienne.
A† Pseudo-inverse de A.
T r(A) Opérateur trace d’une matrice A.
vec(A) Vecteur colonne obtenu par empilement des colonnes
de la matrice A
A◦B Produit de Khatri-Rao, produit de Kronecker par colonne
de A et B. Pour une matrice A N × M et une matrice B
N × M , il est définit par la matrice N K × M
A ◦ B = [a1 ⊗ b1 · · · aN ⊗ bN ]
Où ak est la k ème colonne de A.
AB Produit de Hadamard, multiplication élément par élément.
A⊗B Produit de Kronecker d’une matrice A N × M et
une matrice B K × L définit par la matrice N K × M L
 
a11 B . . . a1M B
 . .. .. 
A⊗B= ..
 . . .
aN 1 B . . . aN M B
θ̂ Estimée du paramètre θ.
Im Matrice identité m × m. L’indice m est souvent omis.
ΠN Matrice définie comme la matrice identité avec un ordre inversé des ligne
xii
diag(A) Vecteur colonne contenant les élément diagonaux .

de la matrice A.
diag(a1 , ..., aK ) Matrice diagonale K × K dont les éléments diagonaux
sont a1 jusqu’à ak .
||A||F Norme matricielle de Frobenies, définie par ||A||2F = T r(AAH ).
h i
A ou aij Le (i, j)ème élément de la matrice A.
ij
arg min f (x) L’argument manimisant la fonction f (x) par rapport à x.
x
E[.] Espérance mathématique d’une variable aléatoire.
Re[.] Parie réelle d’une quantité complexe.
Im[.] Parie imaginaire d’une quantité complexe.
xiii
Liste des Figures
I.1 Evolution des réseaux cellulaires . . . . . . . . . . . . . . . . . . . . . . . 7

I.2 Migration graduelle vers une architecture centrée autour de l’utilisateur [4] 11
I.3 MIMO massif vs système mmWave [5] . . . . . . . . . . . . . . . . . . . . 11
I.4 Système MU-MIMO massif utilisant le multiplexage spatial [8] . . . . . . 12
I.5 Architectures possibles d’un réseau cellulaire mmWave [4] . . . . . . . . . 14
I.6 Beamforming analogique et numérique [13] . . . . . . . . . . . . . . . . . 15
I.7 Schéma bloc du beamforming hybride appliqué dans un système mmWave
[14]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
I.8 Implémentation de la GFDM [4] . . . . . . . . . . . . . . . . . . . . . . . 18
II.1 Bandes spectrales disponibles au dela de 20 GHz [33] . . . . . . . . . . . . 24

II.2 Vérification expérimentale du path loss [41] . . . . . . . . . . . . . . . . . 28
II.3 Absorption atmosphérique des ondes millimétriques [13] . . . . . . . . . . 29
II.4 Atténuation des ondes millimétriques par la pluie [44]. . . . . . . . . . . . 30
II.5 Lobes d’énergie reçus à 73 GHz [39] . . . . . . . . . . . . . . . . . . . . . 32
II.6 PDP enregistrée à 73 GHz [39] . . . . . . . . . . . . . . . . . . . . . . . . 33
II.7 Représentation schématique du modèle SV [13] . . . . . . . . . . . . . . . 39
III.1 Modèle du système cellulaire mmWave [29] . . . . . . . . . . . . . . . . . 44

III.2 Schéma bloc d’un système BS-MS hybride [29] . . . . . . . . . . . . . . . 45
III.3 Trois premiers niveaux d’un dictionnaire multirésolution [29] . . . . . . . 50
IV.1 Erreur quadratique moyenne obtenue pour l’algorithme 2D-UESPRIT . . 85

IV.2 Erreur quadratique moyenne pour différentes valeurs de M . . . . . . . . 86
IV.3 Taux d’erreur binaire obenu pour l’algorithme 2D-UESPRIT . . . . . . . 87
IV.4 Erreur quadratique moyenne obtenue pour l’algorithme BU-ESPRIT . . . 88
IV.5 Taux d’erreur binaire obenu pour l’algorithme BU-ESPRIT . . . . . . . . 89
xiv
EMP Liste des Figures
IV.6 Taux d’erreur binaire pour différentes valeurs de distance BS-MS . . . . . 90

IV.7 Efficacité spectrale obtenue pour le système d’onde millimétrique . . . . 92
IV.8 Efficacité spectrale atteinte avec l’algorithme modifié sans répétition dans
la phase d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
IV.9 Variation de l’efficacité spectrale en fonction de la distance BS-MS . . . . 94
IV.10 BER du système hybride obtenu par l’algorithme d’éstimation avec et sans
modification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
IV.11 Evolution du débit en fonction des bits de quantification des phases . . . 96
IV.12 Impact des limitations RF du système hybride . . . . . . . . . . . . . . . 97
IV.13 Effet du nombre des répétitions des étapes de la phase d’apprentissage . 98
IV.14 Effet du nombre du vecteur de beamforming sur l’efficacité spectrale . . . 99
IV.15 Efficacité spectrale pour un canal à un trajet avec K = 2 . . . . . . . . . 99
IV.16 Variation de l’efficacité spectrale en fonction du nombre d’antennes de
l’utilisateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
IV.17 Variation de l’efficacité spectrale en fonction du nombre d’antennes de la
BS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
IV.18 Variation de l’efficacité spectrale en fonction du nombre des data stream 102
IV.19 Performances du système cellulaire mmWave dans les bandes 28 et 73 GHz103
IV.20 Performances du système cellulaire mmWave avec contamination des pilotes105
IV.21 Efficaicté spectrale obtenue pour différentes distances BS-MS interférent . 106
xv
Liste des Tableaux
II.1 Pertes de pénétration de quelques matériaux de construction à 28 GHz [17] 31

II.2 Paramètres du modèle du path loss à une distance de référence [51] . . . . 35
II.3 Paramètres du modèle alpha-beta à 73 GHz [51] . . . . . . . . . . . . . . 35
II.4 Paramètres du modèle alpha-beta à 28 et 38 GHz [49] . . . . . . . . . . . 37
xvi
EMP Introduction Générale
INTRODUCTION
GÉNÉRALE
1
Introduction générale
La communication mobile est l’une des innovations technologiques les plus réussies
dans l’histoire moderne de l’humanité. Elle est devenue une partie indispensable dans la
société et possède un impact socio-économique profond en enrichissant la vie quotidienne
de plusieurs personnes avec une multitude de services qui s’étendent de divertissement
aux applications critiques (e-commerce, e-health,. . . ). Les analystes prévoient que chaque
objet physique que nous voyons (voiture, train,. . . ) sera également lié au réseau vers la fin
de la décennie (Internet des objets) [1]. Par conséquent, nous avons vécu une croissance
exponentielle du trafic des données mobiles. Selon l’index visuel de gestion de réseau de
Cisco, le trafic des données mobiles a été doublé pendant la période 2010-2011 ; l’extra-
polation de cette évolution pour le reste de la décennie montre que le trafic mobile global
augmentera 1000 fois de 2010 à 2020 [1]. Cette croissance rapide est renforcée par la po-
pularité des téléphones intelligents, les applications multimédias avancées telles que les
vidéos 3D et UHD (Ultra High Définition) et les réseaux sociaux. L’explosion du trafic
et la congestion du spectre radio au-dessous de 3 GHz utilisé pour tous les services de
communication mobile ont poussé les opérateurs à repenser la manière de conception et
déploiement des réseaux mobiles de la prochaine génération qui est désignée par le nom
5G.
Pour faire face à cette croissance du trafic, la capacité du réseau doit être augmentée.
Une première approche est de faire tout ce qui est possible pour augmenter l’efficacité
spectrale des systèmes 4G en dessous de 6 GHz. Cependant, la complexité du système peut
restreindre cette solution étant donné qu’une efficacité maximale élevée est déjà obtenue
avec un système MIMO 8 × 8 dans la norme LTE. La deuxième option est d’utiliser une
nouvelle partie du spectre moins encombrée pour exploiter des larges bandes dans le but
d’atteindre des débits plus élevés. On s’intéresse particulièrement aux ondes millimétriques
de 20-300 GHz et plus spécifiquement les bandes de 28 et 38 GHz (disponibilité de 3-4
GHz) et la bande E (70 à 80 GHz) où une largeur de bande de 10 GHz du spectre est
disponible.
Notre travail est orienté vers le problème d’estimation des paramètres du canal de trans-
mission des ondes millimétriques susceptibles d’être utilisées dans les futurs systèmes de
cinquième génération. Nous nous intéressons à l’étude des techniques possibles d’estima-
tion du canal de la bande millimétrique avec et sans interférence inter cellules durant la
phase de l’estimation (contamination des pilotes).
2
Les ondes millimétriques ont été en grande partie écartées des communications sans
fil à cause de leurs pertes de propagation importantes. Ceci a donné l’idée que la bande
millimétrique est inutile pour les communications mobiles car ses pertes sont principa-
lement des pertes en espace libre qui dépendent de la fréquence de sorte que les hautes
fréquences subissent plus de pertes que les basses fréquences. Cependant, le path loss pour
les systèmes fonctionnant aux ondes millimétriques n’est pas calculé entre deux antennes
isotropes ou des dipôles λ/2 dont la surface effective décroit avec l’augmentation de la fré-
quence mais plutôt il est calculé entre des réseaux d’antennes qui comportent un nombre
énorme des antennes ce qui augmente le gain du réseau puisqu’il capte plus d’énergie
rayonnée. Par conséquent, un grand nombre des antennes rassemblées dans une certaine
surface permet d’effectuer une communication à travers des faisceaux avec un gain impor-
tant. Par exemple, un faisceau à 80 GHz offre un gain supérieur de 30 dB comparé à un
faiseau à 2.4 GHz [2] pour une même surface des antennes. De plus, quand on considère
le fait que les tailles des cellules dans les environnements urbains sont de l’ordre de 200
m, il apparaı̂t clairement que les ondes millimétriques peuvent surmonter ces problemes
dans un réseau cellulaire.
Comme indiqué dans le paragraphe précédent, une opération de beamforming pour fo-
caliser le signal transmis et/ou reçu dans une direction désirée afin de surmonter le path
loss défavorable du canal mmWave est l’un des éléments clés pour un système d’onde
millimétrique. Les faibles longueurs d’onde facilitent l’utilisation d’un grand nombre d’élé-
ments d’antenne pour former des faisceaux fortement directionnels. Selon l’architecture
de beamforming, les coefficients de pondération utilisés pour former le faisceau peuvent
être appliqués dans le domaine numérique ou analogique. Néanmoins, les systèmes d’onde
millimétrique vont adopter une architecture hybride analogique/numérique dont les fais-
ceaux sont formés par le beamforming analogique et un beamforming numérique fournit
une flexibilité pour effectuer les opérations de précodage nécessaires et les différentes tech-
niques de traitement d’antenne.
L’utilisation potentielle des ondes millimétriques dans les réseaux cellulaires soulève le
défis de l’indisponibilité d’un modèle standard du canal. Dans ce travail, nous abordons
le modèle géométrique qui convient au faible nombre des trajets dominants caractérisant
le canal mmWave. Ce modèle facilite aussi le développement des algorithmes d’estimation
des paramètres du canal, à savoir, les angles d’arrivée, les angles de départ et les gains des
trajets de propagation. Ces paramètres sont l’information de base pour former le faisceau
directif.
3
Ce mémoire est subdivisé en quatre chapitres organisés de la manière suivante :

– Dans le chapitre I, nous donnons des généralités sur l’historique des réseaux cellulaires
en introduisant le passage vers la nouvelle génération de la téléphonie mobile : 5G.
Nous présentons quelques systèmes et techniques de modulation possibles pour la
5G. Nous terminons par les défis de recherche de la nouvelle génération ainsi que
l’état de l’art du sujet d’estimation du canal mmWave.
– Dans le chapitre II, nous présentons le canal mmWave. Nous citons quelques travaux
de recherche effectués pour faire sortir ses différentes caractéristiques de propagation.
Nous parlons également de la modélisation du path loss et les avantages apportés
par l’utilisation des ondes millimétriques. Nous terminons par des modèles de ca-
nal qui peuvent être appliqués pour l’étude de la bande millimétrique en attendant
l’établissement d’un modèle standard.
– Dans le chapitre III, nous traitons le problème d’estimation du canal mmWave en
présence et en absence de contamination des pilotes. Nous étudions également l’esti-
mation du canal pour les systèmes MIMO massifs dans la bande de 6 GHz comme un
autre système candidat pour la 5G. Cette étude est aussi faite avec et sans contamina-
tion des pilotes. Pour le système d’onde millimétrique, nous utilisons des algorithmes
d’estimation proposés récemment dans la littérature. Concernant le système MIMO
massif, nous utilisons deux algorithmes 2D-UESPRIT et BU-ESPRIT.
– Le chapitre IV contient les différents résultats des simulations effectuées sous MAT-
LAB pour évaluer les performances des algorithmes d’estimation du canal utilisés.
Ces performances sont évaluées en terme du taux d’erreur binaire, l’erreur quadra-
tique moyenne des paramètres estimés et l’efficacité spectrale du système.
– Enfin, une conclusion générale qui englobe les principaux aspects abordés dans ce
mémoire et des prespectives futures de ce travail sont formulées.
4
EMP I.Généralités
CHAPITRE I
GÉNÉRALITÉS
5
I.1 Introduction
La 4G commence à peine à décoller en plusieurs pays dans le monde, que l’industrie des
télécoms se penche déjà sur la prochaine génération. La 5G est sur toutes les lèvres des
opérateurs réseaux et téléphoniques parce qu’une technologie de réseau met du temps à
se développer. Pour l’instant, l’évènement officiel le plus notable concerne les Jeux olym-
piques d’hiver Pyeongchang en Corée du Sud, qui se tiendront en 2018 ou le gouvernement
sud-coréen a l’intention d’introduire la 5G lors de l’événement sportif.
Dans ce chapitre, nous commençons par donner un bref historique sur l’évolution des
réseaux cellulaires, puis le passage vers la nouvelle génération 5G est expliqué et justifié.
Le cahier de charge de la 5G est donné selon les différentes initiatives de recherche sur
le sujet. Nous expliquons également quelques architectures et modulations possibles à
utiliser dans un future système 5G. Ensuite, on cite quelques défis qui représentent des
sujets de recherche et développement possibles. En fin de chapitre, un état de l’art sur
l’estimation du canal de transmission des systèmes fonctionnant dans la bande des ondes
millimétriques est donné.
I.2 Évolution des réseaux cellulaires
L’industrie radio mobile ne cesse d’évoluer. Quatre générations des systèmes de com-
munication cellulaires ont été adoptées avec une nouvelle génération émergeant tout les
10 ans depuis 1980 : la première génération (1G) des systèmes cellulaires analogiques en
1981, la deuxième génération (2G) avec une technologie numérique en 1992, 3G en 2001,
et 4G LTE-A en 2011.
La première génération des téléphones mobiles est basée sur des systèmes analogiques
en offrant un service médiocre et couteux de communication mobile. La 1G avait beaucoup
de défauts, comme les normes incompatibles d’une région à une autre, une transmission
non sécurisée et l’absence du roaming.
Pour résoudre ces problèmes, on est passé aux techniques de communication numérique
d’où la naissance de la deuxième génération représentée par le GSM et l’IS-95. Le GSM
(Global System for Mobile Communications) représente la norme 2G qui est apparue en
Europe. Son principe, est de passer des appels téléphoniques, s’appuyant sur les trans-
missions numériques permettant une sécurisation des données , il a connu un succès et a
permis de susciter le besoin de téléphoner en tout lieu avec la possibilité d’émettre des
6
Figure I.1 — Evolution des réseaux cellulaires
mini messages (SMS, limités à 80 caractères). De plus, il autorise le roaming entre pays
exploitant le réseau GSM. Devant ce succès, il a fallu proposer des nouvelles fréquences
aux opérateurs pour acheminer toutes les communications et des nouveaux services sont
aussi apparus, comme le MMS. L’IS-95 (Interim Standard 95) est un autre standard 2G
utilisé en Amérique du nord. Il utilise la bande 800 MHz ou celle de 1900 MHz avec la
technique CDMA. Le débit proposé par la 2G est insuffisant. Des nouvelles techniques de
modulation et de codage ont été développées afin d’accroitre le débit.
Le GPRS (General Packet Radio Service) est l’initiative européenne au sein de
l’ETSI(European Telecommunications Standards Institute) en 1991 pour l’introduction
des services multimédia sur un réseau mobile. La technologie GPRS est communément
appelée 2.5 G car elle est vue comme une transition de la transmission des données bas
débit en mode circuit du GSM, vers la transmission des données en mode paquet utilisée
en 3G.
La norme EDGE (Enhanced Data Rates for GSM Evolution) est une autre évolution
du GSM. Cette technologie est basée sur une modulation 8 PSK. La vitesse de transfert
de données pour un réseau EDGE peut théoriquement atteindre un débit maximum de
473,6 kb/s (seulement 114 kb/s pour un réseau GPRS) mais le débit est encore insuffisant
pour le contenu multimédia (vidéo, visiophonie,...).
La norme 3G a été définie et spécifiée par l’Union Internationale de Télécommunica-
tions à travers l’ensemble des spécifications que constitue l’IMT-2000. L’objectif initial
7
était d’avoir un seul standard universel fournissant des services multimédias mobiles à
haut débit et à travers une seule bande de fréquences. Les différences de règlementation
en matière d’attribution de bandes de fréquences entre les pays rendaient cet objectif
impossible. Plusieurs standards ont alors été développés, chacun pour une région bien
spécifique et dans l’optique d’assurer la facilité de migration depuis l’un des standards 2G
existants. Deux groupes se fondèrent, à savoir le 3GPP travaillant à évoluer le standard
GSM vers la 3G et le 3GPP2 qui lui se basa sur l’IS-95 adopté en Amérique du Nord.
Différentes technologies découlèrent de ces travaux répondant à la norme 3G : l’UMTS
(WCDMA) en Europe, le CDMA2000 en Amérique du nord et le TD-SCDMA en Chine.
La 3G propose d’atteindre un débit théorique maximale de à 384 kbit/s, cette proposition
ouvre la porte à des usages multimédias tels que la transmission de vidéo, la visioconfé-
rence et l’accès à internet haut débit.
La technologie HSDPA (High Speed Downlink Packet Access) représente l’évolution du
réseau UMTS. Cette technologie permet d’obtenir des débits théoriques de 10 Mb/s sur
le lien descendant en adaptant le codage et la modulation en fonction des conditions du
canal radio (AMC : Adaptative Modulation and Coding). HSUPA (High Speed Uplink
Packet Access) est une autre technologie de la famille UMTS qui se présente comme un
complément de HSDPA pour la voie montante en offrant un débit théorique maximal de
5,8 Mbit/s. L’intérêt d’HSUPA est d’offrir la possibilité d’émettre facilement des contenus
volumineux (photos, vidéo) vers d’autres mobiles mais également vers les plates-formes de
partage sur Internet. Cette technologie est un pas significatif vers l’accès aux applications
du Web 2.0.
HSPA (High Speed Packet Access) est une combinaison des technologies HSDPA et
HSUPA. Un autre standard (HSPA+) a été libéré en fin 2008 et déployé à l’échelle mon-
diale à partir de 2010. HSPA a été déployé dans plus de 150 pays sur différentes bandes de
fréquence et est maintenant la technologie radio la plus vendue dans le monde entier [3],
bien que la technologie LTE (3.9 G) se rattrape rapidement.
Le standard IMT-Advanced (International Mobile Telecommunications-Advanced) est
la nouvelle génération des communications mobiles définie par ITU, développée par 3GPP
et connue sous le nom 4G. La technologie LTE-A est basée sur l’OFDM, supporte une
bande spectrale de transmission jusqu’à 20 MHz et utilise plusieurs antennes en transmis-
sion. Les débits vont de 100Mb/s à 1Gb/s en théorie car en pratique il n’est pour l’instant
que de quelques dizaines de Mb/s. Comme pour le passage de la 2G à la 3G, les terminaux
mobiles doivent être adaptés à la nouvelle génération 4G, ce qui est déjà le cas pour un
8
bon nombre de produits qui ont été mis sur le marché récemment.
I.3 Pourquoi la 5G ?
Le déploiement des réseaux 4G LTE-A n’a commencé qu’en 2011 dans quelques pays.
Un nouveau réseau 5G nécessite des investissements supplémentaires alors que les opé-
rateurs possèdent déjà deux réseaux à gérer 2G/3G ou 3G/4G. Alors, pourquoi on parle
déjà de la 5G ?
La croissance rapide du trafic des données et le développement parallèle des terminaux
mobiles ont ramené les systèmes de communication mobile à faire face à une explosion
du trafic mobile et une congestion du spectre radio dédié aux réseaux cellulaires qui est
compris entre 700 MHz et 2,6 GHz , exigeant aux chercheurs de trouver des systèmes
de grande capacité et un spectre au-delà de la norme 4G avec une bande plus large afin
de fournir des services aux débits plus élevés et satisfaire la demande des abonnés. Des
études récentes suggèrent que la bande des ondes millimétriques peut être utilisée pour
résoudre le problème de congestion du spectre. Cette vision est encouragée par l’utilisation
de la technologie CMOS qui peut maintenant bien fonctionner dans la bande des ondes
millimétriques (exemple des systèmes fonctionnant déjà en 60 GHz). Tous ces facteurs ont
conduit à la naissance d’une nouvelle génération des systèmes mobiles : 5G.
Aujourd’hui, la 5G est mieux définie comme un accord sur l’ensemble des spécifications
et exigences à atteindre par les systèmes de communications au-delà de 2020. Les diffé-
rences principales entre cette nouvelle génération et la 4G vont résider dans l’utilisation
de la bande inexploitée des ondes millimétriques, des réseaux d’antennes hautement direc-
tionnels dans la station de base et les terminaux mobiles, des débits binaires plus élevés en
grande partie de la zone de couverture et une capacité globale plus élevée pour beaucoup
d’utilisateurs simultanément. Les réseaux backbone 5G vont remplacer les câbles à fibre
optique par des liaisons sans-fil des ondes millimétrique ce qui permettra un déploiement
plus rapide du réseau. En combinant les différentes initiatives de recherche effectuée, on
définit le cahier de charge d’un système 5G en 8 spécifications [4] :
• Des débits pratiques allant de 1 à 10 Gb/s, c’est presque 10 fois plus grand que le
débit maximal du réseau LTE-A de 150 Mb/s.
• Des latences autour de 1ms en réduisant celles de la 4G par un facteur de 10.
• Une bande spectrale par unité de surface plus large : il est nécessaire de permettre
aux terminaux mobiles à l’intérieur d’une cellule d’exploiter une bande spectrale plus
9
large que celle utilisée dans la 4G (20 MHz).

• Un nombre énorme des terminaux connectés : le nouveau réseau 5G doit garantir
une connectivité aux milliers d’équipements (internet des objets).
• Une disponibilité de 99,999% : la 5G envisage que le réseau devrait pratiquement
être toujours disponible
• Une couverture 100% ‘anytime anywhere’ : un réseau 5G doit assurer une couverture
complète indépendamment de la position de l’utilisateur.
• Réduction d’utilisation d’énergie par presque 90% : La gestion de l’énergie va être
bien plus cruciale avec les débits élevés et la connectivité massive du réseau 5G.
Le développement des technologies propres est déjà considéré par des organismes de
standardisation.
• Amélioration de la durée de vie de la batterie : la réduction de la consommation des
batteries des terminaux est un critère fondamental dans les réseaux 5G émergents.
I.4 Architectures possibles pour un système 5G
On s’attend à ce que les normes 5G soient adressées dans la version 15 ou 16 des normes
3GPP autour de 2018-2019. Les chercheurs développent maintenant les diverses techno-
logies qui pourraient être employées dans les systèmes 5G mais rien n’est déterminé en ce
moment. Quelques technologies probables incluent des ondes millimétriques, MIMO mas-
sif, des réseaux basés sur le cloud, des modulations autres que l’OFDM, communications
équipement à équipement (D2D), communications machine à machine (M2M) et autres.
Avec l’exigence des latences de plus en plus faibles et les limitations de la bande dans
le spectre traditionnel des systèmes cellulaires, les réseaux mobiles sont portés à migrer
d’un réseau centré par la BS vers un réseau centré par le terminal de l’utilisateur. Ce
changement d’architecture est représenté dans la figure (I.2). La croissance dans le trafic
a motivé le développement des réseaux cellulaires vers le déploiement des cellules plus
petites que les macros cellules hexagonales utilisées avant. On cherche à concevoir des
réseaux ou l’utilisateur n’est plus le dernier élément récepteur du réseau mais plutôt un
participant dans le stockage, le relais et la livraison des données dans le réseau.
Dans ce chapitre, nous détaillons le cas de deux systèmes que nous utiliserons lors des
simulations dans le dernier chapitre. Il s’agit de deux systèmes figure (I.3) fortement
recommandés pour les réseaux cellulaires 5G : le système MIMO massif à 6 GHz et le
système mmWave. Autres systèmes et architectures possibles sont détaillés dans [4]. On
10
Figure I.2 — Migration graduelle vers une architecture centrée autour de l’utilisa-
teur [4]
s’attend à ce que les futurs réseaux relient des noeuds divers dans différentes proximités. Le
déploiement des micros et pico cellules est déjà en cours. Ainsi, les réseaux 5G hautement
denses vont avoir une interférence élevée. Ceci renfonce le concept des antennes sectorielles
et directionnelles, par opposition aux antennes omnidirectionnelles traditionnelles. Par
conséquent, l’accès multiple par division d’espace (SDMA), la conception des antennes
intelligentes et l’emploi des faisceaux directionnels sont extrêmement nécessaires pour les
réseaux 5G émergents.
Figure I.3 — MIMO massif vs système mmWave [5]
I.4.1 Système MU-MIMO massif
La technologie MIMO multi-utilisateur a été incorporée dans la version 8 du standard

LTE, avec un maximum de 8 antennes dans la BS prévues pour servir un nombre égal des
utilisateurs en mode FDD [6]. Le temps de calcul de l’estimation du canal dans ce système
augmente rapidement avec le nombre des antennes de la BS. On propose alors de déployer
avec excès un grand nombre d’antennes dans la BS qui sera très supérieur au nombre des
utilisateurs. On parle alors d’un système MIMO massif [7]. Cette technique promet des
11
gains spectaculaires en efficacité spectrale et énergétique en réduisant l’énergie d’émission

grâce au gain ajouté par les réseaux d’antennes. Pour la liaison montante, la réduction de
la puissance d’émission implique le prolongement de la durée de vie de la batterie.
En mode TDD et sous l’hypothèse de la réciprocité du canal, les BS peuvent estimer les
canaux en liaison montante en utilisant des séquences pilotes. Le nombre des pilotes ortho-
gonaux est de l’ordre des utilisateurs, et est indépendant de la taille du réseau d’antennes
de la BS.
Les BS dans un système MIMO massif multi utilisateur exploitent le grand nombre
des antennes pour focaliser des faisceaux étroits vers les utilisateurs en utilisant des tech-
niques linéaires de traitement du signal. La figure (I.4) montre un système MIMO massif
employant le multeplexage spatial et la SDMA. Les faisceaux dirigés vers chaque équipe-
ment suppriment l’interférence intracellule. Le problème d’interférence se manifeste par
la contamination des pilotes durant la phase d’estimation.
Figure I.4 — Système MU-MIMO massif utilisant le multiplexage spatial [8]
Un système MIMO massif pratique peut avoir jusqu’à plusieurs centaines des antennes
dans la BS servant quelques dizaines des utilisateurs [9]. La complexité du calcul se trouve
dans la BS ce qui permet d’atteindre des débits élevés même pour des équipements avec
une seule antenne.
Ce système permet d’avoir plusieurs communications parallèles en utilisant les mêmes
ressources de temps et de fréquence (SDMA).
On peut résumer les avantages de ce système dans les points suivants :
• L’augmentation du débit grace à l’émission des trains de données indépendants si-
multanément aux différents utilisateurs : gain en multiplexage.
• La fiabilité de la liaison qui est due au gain en diversité spatiale.
• L’efficacité énergétique obtenue en focalisant l’énergie émise vers des directions spa-
12
tiales pour chaque utilisateur
I.4.2 Système cellulaire mmWave
Ce système est basé sur une architecture hybride analogique/numérique. Il peut être
considéré comme un système MIMO massif qui fonctionne dans la bande des ondes milli-
métriques. Les utilisateurs communiquent avec la BS à travers des faisceaux directifs tout
comme le premier système. Il existe trois grandes différences entre ce système et le système
précédent. La première est que l’équipement utilisateur est muni d’un grand nombre des
antennes grâce aux faibles dimensions des antennes dans le cas des ondes millimétriques.
La deuxième différence réside dans le fait que la taille des cellules est plus petite que celle
des cellules du premier système et le nombre des utilisateurs servi par chaque cellule et
qui partagent les mêmes ressources est réduit. Enfin, le premier système n’utilise pas une
architecture hybride de beamforming.
Le grand souci actuel est l’intégration des nouvelles stations de base 5G dans le réseau
actuel (4G, 3G et 2G). La figure I.5(a) montre un réseau hybride qui combine le système
mmWave et le réseau 4G actuel. On propose un modem qui permet à l’utilisateur de com-
muter entre les deux réseaux pour une meilleure expérience . Alternativement, le spectre
d’onde millimétrique peut également être employé seulement pour la communication des
données, alors que l’information de contrôle du système peut être transmise en employant
les réseaux 4G traditionnels [10]. D’autre part, la figure I.5(b) montre un réseau opérant
uniquement par les ondes millimétriques. Le concept des faisceaux étroits offre un chevau-
chement acceptable et améliore également la qualité du lien entre la BS et l’utilisateur.
Ainsi, on s’attend à ce que la gestion du réseau radio et l’interface air du réseau dans les
communications 5G soient différentes.
Le système mmWave est basé essentiellement sur les techniques de beamforming hy-
bride pour compenser les pertes de propagation des ondes millimétriques. Il y a également
une proposition pour employer des faisceaux étroits pour les données et plus larges fais-
ceaux pour les canaux de contrôle [11]. Le beamforming est une technique classique du
traitement de signal où plusieurs éléments d’antenne sont utilisés pour favoriser le signal
dans la direction désirée. Le beamforming peut être utilisé à la fois à l’émetteur et au ré-
cepteur pour obtenir des gains significatifs, fournissant ainsi une amélioration du rapport
signal-sur-bruit (SNR). Aussi, le beamforming réduit les interférences grâce à la sélecti-
13
(a) Réseau hybride 4G/mmWave (b) Réseau mmWave de petites cellules
Figure I.5 — Architectures possibles d’un réseau cellulaire mmWave [4]
vité spatiale des antennes directionnelles. Pour les systèmes aux ondes millimétriques, le
beamforming offre de grandes promesses puisque les petites longueurs d’onde permettent
l’usage d’un grand nombre d’éléments d’antenne dans des réseaux d’antennes de petite
taille capables de créer des faisceaux hautement directionnels avec des gains importants
et dirigés vers divers directions afin d’exploiter les réflexions et la diffusion des ondes.
Selon l’architecture du système de beamforming, les coefficients de pondération néces-
saires pour former le faisceau peuvent être appliqués dans le domaine numérique (Digital
Beamforming : DBF) ou analogique (Analog Beamforming : ABF).
1. Beamforming numérique
Le beamforming numérique est effectué sous forme de précodage numérique dont on
multiplie le signal modulé en bande de base de chaque chaı̂ne RF (radio frequency)
à l’émetteur ou au récepteur par un coefficient particulier.
Le beamforming numérique offre une flexibilité et de bonnes performances au dé-
triment d’une complexité du système (indésirable surtout pour le récepteur) et un
coût élevé dûs au fait que chaque antenne nécessite une chaine RF complète ( am-
plificateur à faible bruit (LNA), oscillateur local, convertisseurs analogique –numé-
rique,. . . ) ce qui augmente énormément le cout et la consommation de puissance. Par
exemple, un système de beamforming numérique qui comporte 64 ADC et travaille
avec un débit de l’ordre des Gb/s consomme une puissance d’autour de 200 W [12].
Ainsi, le beamforming numérique n’est pas pratique pour le système mmWave.
2. Beamforming analogique
14
L’idée fondamentale du beamforming analogique est d’appliquer des coefficients

complexes pour manipuler le signal de chacune des antennes d’émission et de ré-
ception en utilisant des déphaseurs contrôlés et des amplificateurs à gain variable
(VGA).
Le beamforming analogique présente les avantages suivants :
• L’architecture du système est moins complexe par rapport à celle d’un système
numérique et permet de générer un gain plus important en utilisant un grand
nombre d’antennes.
• Le système analogique est moins couteux et consomme moins de puissance par
rapport au cas numérique dont chaque antenne est liée à une chaine RF dédiée.
La figure (I.6) représente un schéma bloc d’un système de beamforming analogique
I.6(a) et un système de beamforming numérique I.6(b).
(a) DBF (b) ABF
Figure I.6 — Beamforming analogique et numérique [13]
3. Beamforming hybride
Comme nous l’avons expliqué précédemment, le beamforming analogique est mis
en œuvre en employant des déphaseurs et des amplificateurs à gain variable qui
sont à faible coût. Par conséquent, la solution analogique est économiquement plus
attirante que la solution numérique. Par contre, elle est moins flexible car elle ne
permet pas d’utiliser les différents algorithmes de codage développés pour améliorer
les performances du système. Par conséquent, c’est un compromis entre la flexibilité,
le coût, la simplicité et la performance qui entraı̂ne la nécessité d’une architecture
hybride qui combine le beamforming analogique et le précodage numérique. La figure
15
(I.7) montre l’architecture hybride d’un ensemble émetteur-récepteur du système

mmWave.
Figure I.7 — Schéma bloc du beamforming hybride appliqué dans un système mm-
Wave [14].
I.5 Techniques de modulation possibles pour la 5G
Étant donné le grand succès de l’OFDM dans les réseaux cellulaires 4G, on pense-
rait qu’elle sera un choix intuitif pour un système 5G. Cependant, une caractéristique
importante de l’utilisation de l’OFDM au-dessous de 6 GHz, qui est le multiplexage des
utilisateurs en fréquence, n’est pas forcément nécessaire pour un système fonctionnant
aux ondes millimétriques. Il y a beaucoup de raisons pour lesquelles cette caractéristique
n’est pas importante pour un système mmWave. D’abord, le système mmWave sera dé-
ployé en petites cellules avec des courtes trames ( exemple 100 µs). Ceci implique que très
peu d’utilisateurs vont transmettre dans le même intervalle de temps (time-slot). De plus,
les petites durées de symbole OFDM (par exemple 66.67 µs) dues à la largeur de bande
élevée et les petits retards de propagation signifient que les utilisateurs peuvent être mul-
tiplexés d’une manière efficace en temps, plutôt qu’en fréquence. Pour finir, les systèmes
d’onde millimétrique utilisent des grands réseaux d’antennes. Le beamforming numérique
ne sera pas possible à cause de la consommation inacceptable de la puissance par les
convertisseurs numériques-analogique (DAC) et les convertisseurs analogique-numérique
16
(ADC) qui sont nécessaires derrière chacune des antennes. Ceci conduit à l’utilisation
du beamforming analogique qui exige seulement un ADC/DAC pour toute la chaine RF.
L’utilisation du beamforming analogique implique que seulement un faisceau par chaine
RF peut être créé à un moment donné, de ce fait rendre nécessaire la séparation des
utilisateurs en temps, plutôt qu’en fréquence. Puisque la séparation des utilisateurs en
fréquence n’est pas critique pour le système mmWave, il n’est pas nécessaire d’accepter
certains des inconvénients de l’OFDM, tels que le PAPR (peak to average power ratio)
élevé qui influe négativement sur le système.
Les applications potentielles attendues de la 5G (téléchargement des vidéos à grande
vitesse, jeux interactifs, communication véhicule à véhicule, communication machine à ma-
chine, internet des objets, ...) et l’architecture du système à adopter exigent certaines spé-
cifications et conditions sur le type de modulation et la forme d’onde à utiliser. Quelques
spécifications qui doivent etre satisfaites par le système de modulation choisi sont :
◦ Capable de manipuler des signaux à large bande avec des débits élevés.
◦ Capable d’offrir des transmissions de faibles latences, c’est-à-dire, fonctionner avec
des TTI (Transmission Time Interval) très courts.
◦ Commutation rapide entre la liaison montante et la liaison descendante pour les
systèmes basés sur la TDD qui sont susceptibles d’être employés.
Il existe plusieurs nouvelles formes d’onde (modulation) à considérer pour la 5G. On
cite ici les plus favorables :
• GFDM (Generalised Frequency Division Multiplexing)
c’est une technique de transmission multiporteuse qui est très similaire à l’OFDM.
La différence principale est que les porteuses ne sont pas orthogonales entre elles. La
GFDM permet de mieux contrôler les émissions hors bande en réduisant le PAPR
qui représente l’inconvénient majeur d’un système OFDM. Le concept fondamental
de la GFDM réside dans la transmission des blocs composés de plusieurs time-slot
sur plusieurs sous porteuses. Sa flexibilité et sa structure en bloc permet de répondre
aux spécifications de faibles latences des systèmes 5G [15]. L’implémentation de la
GFDM par les algorithmes FFT/IFFT présentée dans la figure (I.8) a été proposée
par les auteurs de [16].
• FBMC (Filter Bank Multi-Carrier)
Cette technique a eu beaucoup d’intérêt comme candidate de modulation possible
pour la 5G. Elle est basée sur des filtres formant l’onde pour chaque sous porteuse.
De meilleurs gains sont réalisés par rapport aux autres techniques existantes au coût
17
Figure I.8 — Implémentation de la GFDM [4]
d’augmentation de la complexité du système. La FBMC n’exige ni l’orthogonalité ni

une synchronisation complexe ce qui améliore les latences du système.
GFDM et FBMC représentent les deux techniques de modulation les plus prometteuses
pour la 5G. Cependant, autres modulations sont considérées pour être utilisées telles que
UFMC (Universal Filtered MultiCarrier) et F-OFDM (Filtered OFDM). Ces techniques
peuvent apporter des avantages additionnels au nouveau système cellulaire dans certaines
conditions et circonstances. Aucune forme d’onde n’apporte tous les avantages et répond
à toutes les exigences. En conséquence, beaucoup prévoient que la modulation finale pour
la 5G peut inclure une solution adaptative qui utilise une forme d’onde optimale pour une
situation donnée.
I.6 Défis de recherches pour la 5G
Les débits élevés, les faibles latences, l’économie d’énergie et les autres promesses faites
par la 5G sont associés à leurs défis respectifs. D’ici 2020, la date prévue pour le déploie-
ment des premiers réseaux 5G, il reste encore un nombre d’issues de recherche et des
difficultés à surmonter [4].
1. Indisponibilité des modèles du canal : Le développement des systèmes mm-

Wave nécessite une compréhension fondamentale du canal radio. Les chercheurs
étudient des modèles de canal pour différents scénarios : indoor, outdoor, LOS,
NLOS,. . . L’analyse détaillée de ces études permettra la conception des nouvelles
méthodes pour l’interface radio et l’accès multiple.
2. Conception des réseaux d’antennes : Les faibles longueurs d’onde dans la bande
millimétrique permettent l’assemblage des centaines d’antennes dans des réseaux de
petites surfaces. Ces réseaux doivent être capable de diriger et collecter l’énergie du
faisceau. Ainsi, l’un des sujets clés de la recherche dans le domaine de la 5G est
la communication par des faisceaux directifs qui change entièrement le concept de
la cellule. Il y a encore des défis de recherches pour la conception des BS et des
18
terminaux pour atteindre cette directivité.
3. MIMO massif : Un autre défi sérieux est de réaliser le système MIMO massif qui
peut répond aux exigences des services 5G. Ce système nécessite une structure des
BS complètement différente avec un grand nombre d’antennes alimentées par des
amplificateurs à faible puissance. L’adoption des algorithmes du MIMO massif pour
l’implémentation d’un futur réseau 5G peut représenter un saut important dans le
développement des communications sans fil.
4. Densification du réseau : L’architecture basée sur les petites cellules est une
caractéristique essentielle pour un futur réseau 5G. par conséquent, la densité des
BS est prévue d’etre importante. La coordination et l’élimination des interférences,
les réseaux radio logiciel et les cellules auto-organisées [17] vont permettre la gestion
du réseau. Bien que ce sont des techniques prometteuses pour les communications
5G, leur déploiement pour les scénarios 5G n’a pas encore été exploré entièrement.
5. Standardisation : Ils existent déjà plusieurs forums et projets dédiés à la recherche

et la conception des structures valables pour la 5G. Des standards 5G formels n’ont
pas encore été publiés
I.7 État de l’Art de l’estimation du canal pour un système 5G
La communication par les ondes millimétriques est une technologie prometteuse pour
les futurs réseaux cellulaires [18]- [17]. Le beamforming avec des larges réseaux d’antennes
est inévitable pour assurer un niveau suffisant de puissance en réception. Heureusement,
des grands réseaux d’antennes peuvent être emballés dans des petites surfaces dans le
cas des ondes millimétriques [19], [20]. La consommation élevée de puissance dans un
système entièrement numérique rend l’emploi unique du précodage numérique en bande
de base impossible [18]. De plus, la conception des matrices de codage est habituellement
basée sur la connaissance complète du canal, ce qui est difficile à atteindre dans la bande
millimétrique à cause du grand nombre d’antennes utilisé et les faibles valeurs du SNR
avant d’effectuer le beamforming. Par conséquent, des nouvelles algorithmes d’estimation
du canal et de codage doivent être développés pour s’adapter aux systèmes mmWave.
Des solutions de beamforming analogique ont été proposées dans [21] et [22]. L’idée
principale est de controler la phase du signal émis par chaque antenne à travers un réseau
des déphaseurs analogiques. Plusieurs solutions, connues sous le nom ‘beam training al-
gorithms’ ont été proposées pour la construction d’une manière itérative des coefficients
19
de beamforming analogique dans le système sans connaitre le canal de transmission au

niveau de l’émetteur. Dans [21] et [23], des algorithmes adaptatifs de beamforming et des
dictionnaires multirésolutions ont été développés et utilisés conjointement par l’émetteur
et le récepteur pour construire leurs vecteurs de beamforming. En [22], plusieurs faisceaux
avec des signatures uniques ont été utilisés pour réduire le temps nécessaire pour la phase
d’apprentissage. Malgré la réduction de la complexité dans [21] et [24], ces méthodes ont
l’inconvénient de converger toujours vers un seul beam de communication. Ainsi, ces algo-
rithmes ne sont pas capables d’atteindre des gains en multiplexage en envoyant plusieurs
trains des données simultanément. En outre, les performances des méthodes analogiques
comme celles de [21] et [23], ne sont pas optimales en comparaison avec les solutions de
codage numérique à cause de la contrainte de l’amplitude constante sur les déphaseurs
analogiques et la faible résolution du signal de contrôle des phases.
Pour permettre la transmission sur plusieurs trains de données, [24]- [25] proposent de
partager les opérations de codage entre le domaine analogique et numérique. Dans [24], le
problème de conception conjointe d’un précodeur analogique et numérique a été considéré
pour des systèmes avec une diversité spatiale. Dans [26], des algorithmes hybrides ana-
logique/numérique ont été développés pour minimiser l’erreur quadratique moyenne du
signal reçu en présence d’interférence lorsque des déphaseurs avec des phases quantifiées
sont utilisés. Les travaux de [24] et [26] ne sont pas dédiés pour les systèmes mmWave
et ne prennent pas en considération les caractéristiques du canal mmWave. Dans [25], la
structure du canal mmWave et le concept algorithmique de « basis pursuit » sont favorisés
dans la conception des précodeurs hybrides de faible complexité afin de s’approcher de la
capacité obtenue lorsque le récepteur possède une connaissance parfaite de l’état du canal.
Dans [27], le problème de construction du précodeur hybride a été considéré dans le cas
des systèmes ou le canal est partiellement connu à l’émetteur. Même si les algorithmes de
précodage hybride développés dans [28], [25] et [27] arrivent à surmonter les limitations
hardware de la partie analogique et supportent la transmission de plusieurs data stream,
la réalisation de ces gains nécessite une certaine connaissance sur le canal à l’émetteur
avant la construction des matrices de précodage. Ceci encourage le développement des
algorithmes d’estimation du canal mmWave multi trajets qui permettent le précodage
hybride de s’approcher les performances des algorithmes de précodage entièrement numé-
rique.
Dans [29], des algorithmes de faible complexité de calcul pour l’estimation du canal
mmWave et le précodage hybide dans un système muni de larges réseaux d’antennes en
20
émission et en réception sont proposés. Ces algorithmes prennent en considération des

hypothèses pratiques sur l’équipement du système mmWave. Ceci comprend le module
constant et les phases quantifiées des déphaseurs analogiques et le nombre limité des
chaines RF. Dans notre travail, nous abordons le problème d’estimation du canal dans
deux systèmes différents en absence et en présence d’interférence inter cellule pendant la
phase de l’estimation. Nous introduisons des modifications sur les algorithmes proposés
dans [29] afin d’améliorer la qualité de l’estimation du canal de transmission dans un
système mmWave d’architecture hybride. Puis, nous étudions l’utilisation de la diversité
en polarisation pour éliminer la contamination des pilotes dans le système mmWave.
Nous étudions également l’estimation du canal dans un système MIMO massif travaillant
dans la bande de 6 GHz en utilisant l’algorithme 2D-UESPRIT donné dans [30]. Ensuite,
nous proposons pour le même système une méthode pour combattre la contamination des
pilotes en utilisant l’algorithme BU-ESPRIT développé dans [31].
21
EMP II.Caractéstiques de propagation du Canal mmWave
CHAPITRE II
CARACTÉSTIQUES DE PROPAGATION
DU CANAL MMWAVE
22
II.1 Introduction
L’industrie cellulaire s’est concentrée la plupart du temps sur la recherche du nouveau

spectre additionnel en-dessous de 6 GHz. Cependant, ce qui a été négligé est l’énorme
bande spectrale des ondes millimétriques. Même si seulement une fraction (soit 1/3) de
ce spectre est rendue disponible à l’industrie cellulaire, elle serait de manière significative
plus large que la bande disponible actuellement en-dessous de 6 GHz. En fournissant plus
de spectre pour les systèmes cellulaires des ondes millimétriques, les futures demandes de
capacité pourraient être satisfaites.
Les propriétés particulières de propagation et de bande passante confèrent à ces ondes
de larges possibilités d’utilisation. Dès les années 70, les militaires se sont intéressés aux
ondes millimétriques pour faire des transmissions sécurisées : la portée de propagation
limitée et l’utilisation de petites antennes permettent en effet de faire des transmissions à
courte portée indétectables. Ce n’est que dans les années 80 que les prototypes commen-
cèrent à voir le jour. Et finalement les Américains les mirent en œuvre sur les satellites
militaires vers 45 GHz. En définitive, les militaires ont maintenant deux grands types
d’applications en cours : les télécommunications par satellite et les liaisons courte portée
sur le terrain [32].
Le civil devait prendre le relais dès le début des années 90. Il se développe alors des
petits faisceaux hertziens pour la transmission de données sur 5 à 10 km dans les 38
GHz. Une offre nombreuse de « ponts » existe maintenant offrant 2, 4 et 8 Mbit/s dont
l’application principale est le relais des stations de base de la radio mobile. Avec l’arrivée
du multimédia et d’Internet, les systèmes se développent rapidement dans la bande des
ondes millimétrique. Déjà, les attributions de bandes sont limitées autour des 46-48 GHz.
On trouve également des radars de prévention des collisions de faible puissance pour
véhicules fonctionnant dans les bandes 60-61 GHz, 76-77 GHz et 77-81 GHz.
II.2 Spectre et impératifs de normalisation
Avant les années 80, la région des ondes millimétriques du spectre électromagnétique
était relativement inutilisée, et les services offerts ont été adaptés pour les fréquences
jusqu’à 10 GHz. Au début des années 80, cependant, la congestion prévue dans le spectre,
le grand nombre de nouveaux services de communication émergeants autour du monde
et le besoin pour une transmission des données avec des débits plus élevés ont conduit
les régulateurs du spectre radio-électrique à considérer l’utilisation de la bande des ondes
23
millimétriques.
L’ETSI définit la bande des ondes millimétriques comme étant la gamme de fréquence
qui s’étend de 20 GHz à 300 GHz, aussi appelée Extrêmement Haute Fréquence (EHF).
Leur usage dans les télécommunications s’étend typiquement de 30 à 70 GHz. La figure
(II.1) indique les bandes du spectre mm Wave au dela de 20 GHz qui ont le plus de
potentiel pour être utilisées dans un réseau cellulaire 5G.
Nous discutons chacune de ces bandes en détail ci-dessous.
Figure II.1 — Bandes spectrales disponibles au dela de 20 GHz [33]
• La bande de 28 GHz (27.5–29.5 GHz) : Les sous-bandes de 27.5– 28.35 GHz

et 29.1–29.25 GHz sont utilisées pour le système de distribution multi point locale
(LMDS). On trouve aussi autres services fonctionnants dans cette bande comme le
FSS (Fixed Satellite Service), GSO (Geostationary Orbit), NON-LTTS (Non-Local
Television Transmission Service), MSS (Mobile Satellite Service) et le NGSO (Non-
Geostationary Orbit).
• La bande de 38 GHz (36–40 GHz) : Cette bande est utilisée pour des opérations
point à point qui fournissent le relais des stations de base de la radio mobile.
• La bande V (57–64 GHz) : Cette bande est caractérisée par une grande absorption
de l’onde millimétrique par les molécules de l’oxygène mais ceci ne gène pas de
manière significative les communications particulièrement pour des petites cellules
(par exemple, pour des distances moins de 200 m). Ces fréquences peuvent ne pas être
le premier choix pour un système cellulaire d’onde millimétrique puisque le WiGig
(Wireless Gigabit) est conçu pour être employé dans cette bande.
• La bande E (71–76 GHz et 81–86 GHz) : Cette bande permet d’offrir une
largeur de bande jusqu’à 2×5 GHz et une absorption moins importante par l’oxygène.
24
L’atténuation par la pluie peut être importante pour des longues distances mais ne
posera pas de problèmes pour des petites distances ( moins de 200 m).
• La bande W (92–95 GHz) : Cette bande est réservée à la radio-astronomie à
94-94.1 GHz, cette bande peut être employée pour des opérations point par point
extérieures.
II.3 Quelques activités de recherches sur la bande des ondes millimétriques
La compréhension du canal radio est une exigence fondamentale pour développer des
futurs systèmes mobiles d’onde millimétrique. Avec une bonne compréhension technique
du canal mmWave, les chercheurs peuvent alors explorer de nouvelles méthodes pour
l’interface d’air, l’accès multiple, de nouvelles architectures du système et autres techniques
de traitement de signal dédiées pour ces ondes.
Afin de créer un modèle spatial statistique du canal mm Wave à trajets multiples, des
mesures ont été réalisées dans différentes conditions et environnements de propagation. On
cite dans cette partie quelques travaux effectués en Europe et aux États Unis. L’ensemble
des résultats de ces travaux et autres travaux notamment ceux de la Corée du sud sont
détaillés plus tard dans ce chapitre.
II.3.1 Travaux du laboratoire de Rutherford Appleton (RAL)
Afin de recueillir des données suffisantes pour élaborer des modèles statistiques sur
la propagation des ondes aux fréquences au-dessus de 20 GHz, le laboratoire d’Apple-
ton Rutherford, basé au Hampshire, l’Angleterre, a développé le « système expérimental
des ondes millimétriques ». Le système est un laboratoire en plein air, dans lequel des
transmissions sont surveillées continuellement sur un trajet de propagation de 500m, aux
fréquences de 37, 57, 97, 137 et 210 GHz [34]. Un certain nombre d’instruments météorolo-
giques sont placés le long du trajet de propagation pour mesurer les différents paramètres
d’intérêt : taux de précipitations, distributions des dimensions des gouttes de pluie, taux de
chute de neige, température, humidité, pression extérieure et vitesse de vent. Les mesures
rassemblées sont enregistrées par un ordinateur de collecte des données. Les données en-
registrées sont ensuite calibrées et stockées dans une base de données, pour être employée
dans des études analytiques et statistiques de la propagation et des effets météorologiques
dans la bande millimétrique .
En plus des études sur l’atténuation par les hydrométéores décrites ci-dessus, le RAL
25
possède un autre programme de recherche sur les interférences qui se produisent à 38

GHz à cause de l’effet dispersif des bâtiments dans les zones urbaines. Les travaux de ce
programme sont prolongés pour inclure des mesures à 50 GHz.
II.3.2 Travaux du centre de recherche de France Telecom (CNET)
Des études sur l’atténuation des ondes aux fréquences au-dessus de 20 GHz due à la
précipitation, en particulier la pluie, ont été effectuées pendant plusieurs années au centre
de recherches de France Telecom, afin d’améliorer le modèle utilisé pour la prédiction de
l’atténuation par la pluie. Les mesures prises par CNET ont été combinées avec autres
mesures collectées dans divers endroits dans le monde pour produire un modèle de dis-
tribution de taux de précipitations, dont des statistiques de l’atténuation par la pluie
peuvent être tirées.
En outre, le centre de recherches opèrent un nombre de liens expérimentaux à 23 et 38
GHz dans le sud de la France, pour fournir des informations supplémentaires sur les effets
des précipitations.
II.3.3 Travaux effectués aux Etats Unis
Des compagnes de mesures à 28, 38 et 73 GHz ont été effectuées pour différents scénarios
en visibilité directe et non visibilité directe aux États Unis dans des milieux urbains (la
ville de New York) et sub-urbains (Austin, Texas) pour vérifier la faisabilité de l’utilisation
des ondes millimétriques pour les réseaux cellulaires. Les mesures effectuées sur le campus
de l’Université du Texas à Austin [35]- [36] et celles de Manhattan, New York en 2012
et 2013 [37], [38] et [39] ont rapporté plus de compréhension sur le comportement des
ondes millimétriques dans un milieux urbain notamment les pertes de pénétration pour
les différents matériaux, leurs propriétés de reflection et la modélisation du path loss.
II.4 Caractéristiques de propagation des ondes millimétriques
La transmission des signaux aux fréquences au-dessus de 20 GHz est influencée par
différents conditions météorologiques, qui imposent des limitations sur la portée des sys-
tèmes fonctionnant dans la région millimétrique du spectre. L’absorption et la dispersion
du signal par la pluie, la neige, le brouillard, la vapeur d’eau, l’oxygène et d’autres gaz
dans l’atmosphère affectent la propagation des ondes radio, et ces effets doivent être pris
en compte durant la conception des systèmes de cinquième génération qui utilisent le
26
spectre des ondes millimétriques.

Pour s’assurer que les systèmes de communication millimétrique peuvent atteindre les
mêmes performances que les systèmes fonctionnant dans les bandes de fréquence infé-
rieures du spectre, des modèles de propagation sont exigés pour estimer l’influence de
ces paramètres. Par conséquent, des efforts considérables ont été consacrés ces dernières
années à étudier la propagation des ondes millimétriques, de sorte que des modèles de
prédiction d’atténuation précis puissent être produits pour faciliter la conception des sys-
tèmes millimétriques.
II.4.1 Propagation en éspace libre
Bien que les ondes millimétriques ont gagné un grand intérêt pour les systèmes cel-
lulaires 5G, il ya eu beaucoup de préoccupations concernant la transmission à de telles
haute fréquences, en particulier l’atténuation du signal due à la propagation dans l’espace
libre (path loss). Pour clarifier ce mal entendu, considérons l’équation de Friis, donnée
par [40] :
c
Pr = Pt + Gt + Gr + 20 log( ) [dBm] (II.1)
4πRf
où Pr est la puissance reçue, Pt est la puissance d’émission, Gt et Gr sont les gains
d’antenne d’émission et de réception respectivement, R est la distance entre l’émetteur
et le récepteur en mètres, f est la fréquence porteuse et c est la vitesse de la lumière.
La puissance reçue est inversement proportionnelle à la fréquence au carré ce qui fait
augmenter les pertes de propagation. Cependant, des réseaux d’antenne sont typiquement
utilisés et les gains d’antenne sont proportionnels à la fréquence au carré [40]. Un réseau
d’antenne peut émettre et recevoir plus d’énergie grâce au beamforming [41] donc les pertes
de propagation peuvent être compensées par un réseau d’antenne utilisant les techniques
du beamforming. Pour vérifier ceci, des mesures [42] ont été réalisées dans une chambre
anéchoı̈que en utilisant une antenne travaillant à la fréquence de 3 GHz et un réseau
d’antenne travaillant à 30 GHz qui ont les mêmes dimensions comme le montre la figure
(II.2). On enregistre le même path loss que celui du cas d’une antenne 3 GHz lorsqu’un
réseau d’antenne de la même taille physique est utilisé en réception à 30 GHz. De plus,
quand un réseau d’antenne est utilisé à la fois en transmission et en réception à 30 GHz,
la valeur mesurée du path loss est de 20 dB plus élevée que celle du cas d’une antenne 3
GHz.
Les résultats des différentes études révèlent que l’exposant du path loss est comparable à
27
Figure II.2 — Vérification expérimentale du path loss [41]
celui obtenu pour les bandes de fréquence utilisées dans les systèmes cellulaires lorsque les
réseaux d’antenne sont utilisés en émission et en réception pour produire le beamforming.
Par exemple, des liaisons de transmission étaient établies sur une distance de 200 à 300
m avec des exposants qui varient de 3,2 à 4,58 en non-visibilité directe (NLoS) et de 1,68
à 2,3 pour une visibilité directe (LoS) qui sont similaires à ceux mesurés dans les bandes
cellulaires traditionnelles.
II.4.2 Absorption atmosphérique
Les ondes millimétriques lors de leurs propagation subissent une atténuation qui est
due à l’absorption par les gas de l’atmosphère notamment l’oxygène (O2) et la vapeur
d’eau (H2O) [43]. Ce phénomène est fortement lié à la fréquence ce qui signifie que cette
atténuation n’est importante que pour certaines fréquences comme le montre la figure
(II.3). Le pic d’absorption d’oxygène se trouve dans la bande 57–64 GHz (atténuation
de 15 dB/km) et celui de la vapeur d’eau se trouve dans la bande 164–200 GHz avec
une atténuation de 20 à 30 dB/km. Toutes ces fortes atténuations se traduisent par des
courtes distances de propagation. Néanmoins, au-delà de ces pics d’absorption , les ondes
millimétriques ne sont pas fortement affectées. Par exemple, les pertes atmosphériques à
28 GHz sont négligeables puisque l’absorption de l’oxygene est d’environ 0,02 dB/km et
celle de la vapeur d’eau est d’environ 0,09 dB/km.
II.4.3 Atténuation par la pluie
Dans la gamme des ondes millimétriques du spectre radio-électrique, La pluie est une
grande préoccupation puisque les gouttes de pluie sont de même ordre de grandeur que
les longueurs d’ondes utilisés ce qui provoque la dispersion des signaux émis. Afin de mo-
déliser les effets de l’atténuation et de la dispersion par la pluie, les précipitations sont
28
Figure II.3 — Absorption atmosphérique des ondes millimétriques [13]
habituellement caractérisées par une distribution de grandeur de chute qui est définie
comme le nombre des gouttes de pluie par mètre cube. Cette distribution est une fonc-
tion du taux de chute qui est habituellement mesuré en millimètres par heure (mm/h).
L’atténuation des ondes millimétriques par la pluie dépend donc d’un certain nombre de
facteurs concernant les particules de l’eau composant les précipitations à un certain temps,
y compris la taille des gouttes de pluie, la vitesse de chute et la distribution de grandeur
de chute.
Des prédictions théoriques de l’atténuation due à la pluie sont souvent montrées gra-
phiquement, illustrant l’atténuation spécifique à une gamme des fréquences pour différents
taux des précipitations. Une gamme des courbes montrant les niveaux calculés de l’atté-
nuation dus à la pluie pour des différents taux de précipitation est montrée sur la figure
(II.4).
Nous pouvons voir que pour une forte pluie de 25 mm/h, l’atténuation est d’environ 7
dB/km à 28 GHz et d’environ 10 dB/km à 73 GHz. Les valeurs d’atténuation pour la
pluie et l’atmosphère présentées précédemment font penser que la bande des ondes mil-
limétriques est inutile pour les communications mobiles. Cependant, si l’on considère le
fait que les dimensions des cellules d’aujourd’hui dans les milieux urbains sont de l’ordre
de 200 m, il devient clair que les ondes millimétriques peuvent surmonter ces problèmes ;
l’absorption atmosphérique ne crée pas des pertes significatifs supplémentaires, en parti-
culier au 28 et 38 GHz. L’atténuation par la pluie à 28 GHz est de 7 dB/km pour une très
29
Figure II.4 — Atténuation des ondes millimétriques par la pluie [44].
forte pluie de 25 mm/h. Pour une cellule de rayon de 200 m, l’atténuation par la pluie
devient 1,4 dB.
II.4.4 Atténuation par le brouillard
Des prédictions théoriques de l’atténuation des ondes millimétriques par le brouillard

sont dérivées de la même manière que celles de la pluie. La différence principale est que
le brouillard se compose d’une brume suspendue des gouttlettes de l’eau avec des petits
diameters [45]. L’atténuation par le brouillard est donc moins significative que celle par la
pluie. Généralement, si un système de communication particulier est conçu pour surmonter
l’atténuation par la pluie, l’atténuation par le brouillard n’aura aucun effet additionnel
sur le fonctionnement du système.
II.4.5 Atténuation par la neige
La neige et la grêle se composent d’un mélange des cristaux de glace dont la forme
est variable. Par conséquent, il est très difficile de créer des distributions de probabilité
précises pour les tailles et les formes des flocons de neige ce qui rend l’estimation de
l’atténuation des ondes par la neige plus difficile que celle de la pluie.
Les données expérimentales indiquent que l’effet de la neige sur la propagation des
ondes millimétriques dépend de la consistance de la neige [46]. Les études ont prouvé
que l’atténuation des ondes radio au-dessus de 20 GHz par la neige sèche est moins que
celle de la pluie, pour le même taux de précipitation. Les recherches sur la neige humide,
30
cependant, ont indiqué que l’atténuation qui se produit est supérieure à celle de la pluie.
II.4.6 Pertes de pénétration
Pour comprendre la propagation des ondes millimétriques dans un environnement

urbain, des mesures de pénétration du signal à 28 GHz ont été effectuées tout au long
de l’été 2012 à New York [37]. Les matériaux testés pour les pertes de pénétration
comprennent : le verre teinté, la brique, le verre non teinté, et des murs. Le tableau (II.1)
résume les résultats trouvés pour ces différents matériaux de construction. Les vitres
teintées et la brique (surfaces extérieures typiques des bâtiments urbains) ont des pertes
de pénétration élevées de 40,1 dB et 28,3 dB respectivement. Ceci illustre la difficulté de
pénétration des ondes millimétriques des bâtiments fournissant ainsi une isolation élevée
entre les réseaux internes et externes. D’autre part, les matériaux intérieurs tels que le
verre non teinté et les plaques de plâtre ont seulement des pertes de 3,6 dB et 6,8 dB
respectivement qui sont relativement faibles.
Environement matériau Epaisseur pertes de

(cm) pénétration (dB)
outdoor verre teinté 3.8 40.1
brique 185.4 28.3
indoor verre non teinté <1.3 3.6
plaque de platres 38.1 6.8
Table II.1 — Pertes de pénétration de quelques matériaux de construction à 28

GHz [17]
II.4.7 Réflection des ondes millimétriques
Le nombre des réflecteurs dominants pour les fréquences inférieures à 3 GHz varie
généralement entre 4 et 9 clusters. Pour les ondes millimétriques, il est inférieur à 4
selon [37] . Par exemple, dans une chambre, on peut trouver des murs comme réflecteurs
dominants alors que pour les fréquences inférieures, on trouve également autre objets
comme une table, une personne,. . . etc. Comme le nombre des trajets est faible, le modèle
de Rayleigh n’est pas adapté pour un canal mm Wave.
La sensitivité d’orientation des antennes devient très élevée vu qu’on ne dispose qu’un
nombre réduit des trajets dominants de propagation et donc une légère perturbation de
31
l’orientation de l’antenne se résulte en une perte de réception.

La figure (II.5) montre les différents lobes d’énergie reçue à 73 GHz arrivant aux diffé-
Figure II.5 — Lobes d’énergie reçus à 73 GHz [39]
rents angles dans le plan d’azimut dans un environnement de non visibilité directe. On
remarque bien le nombre faible des trajets significatifs et distincts reçus qui se traduit par
uniquement trois composantes multi trajets distinctes sur la figure.
II.4.8 Étalement du retard
L’étalement du retard diminue pour les ondes millimétriques d’après les résultats pu-
bliées dans [37]. Il est de l’ordre de 49 ns alors qu’il peut aller jusqu’à 2 µs pour les
fréquences inférieures à 3 GHz. Vu que la longueur d’onde est très petite, la propagation
des ondes millimétriques est quasi-optique. Elles subissent une dispersion qui augmente
les pertes en puissance par des différents objets : les murs, les meubles et le plafond ce
qui réduit le nombre des trajets significatifs. Par conséquent, l’intervalle du temps entre
l’arrivée du premier et dernier trajet significatif diminue. Du premier coup, cette petite
valeur du retard semble être de bonnes nouvelles mais si on utilise des bandes de l’ordre
de GHz, on aura des périodes de symbole de l’ordre de nano-seconde et donc un retard
de 49 ns devient important.
32
La figure (II.6) est obtenue suite à des mesures expérimentales à 73 GHz. Elle représente
Figure II.6 — PDP enregistrée à 73 GHz [39]
le profile de l’étalement du retard de la puissance reçue (PDP). On note que l’étalement

du retard est moins de 35 ns. Cette figure confirme aussi le faible nombre des composantes
multi-trajet distinctes du fait qu’on ne trouve que trois trajets ayant une puissance reçue
au dessus du seuil de détection.
II.5 Modélisation du canal mmWave
II.5.1 Modèle du path loss
Afin de créer des outils fiables pour la conception des systèmes d’onde millimétrique,
des modèles de path loss doivent être déterminés pour l’établissement du bilan de liaison
et la prédiction du niveau du signal reçu en prenant en compte l’utilisation des réseaux
d’antenne hautement directionnels et les techniques de beamforming et de codage.
Avec le développement des systèmes MIMO, Le projet WINNER I s’est concentré
sur la bande de fréquence de 5 GHz pour créer deux modèles du canal utilisés pour le
développement des réseaux 4G, à savoir le modèle spatial 3GPP/3GPP2 (3GPPSCM)
et le modèle IEEE 802.11n [47]. Le modèle WINNER I a couvert plusieurs scénarios de
propagation. Le modèle du WINNER II a été développé pour couvrir la gamme de 2-6
33
GHz avec plus de scénarios de propagation. Vu la bonne précision des prédictions du path
loss données par le modèle WINNER II, il a été largement utilisé pour la conception des
modèles du canal des standards 3G et 4G courants [48], mais ces modèles manquent de
la résolution temporelle pour modéliser ou simuler des liens de transmission sans fil avec
des débits multi-Gigabit/s et une latence très réduite.
Les chercheurs de NYU WIRELESS ont effectué des mesures de propagation pour
recueillir des données statistiques du canal à 28, 38 et 73 GHz pour une micro cellule dans
une zone urbaine. Ces statistiques ont été analysées pour établir des modèles du path loss
qui utilisent peu de paramètres sans compromettre leurs précision en les comparant avec
les modèles 3GPP et WINNER II. Dans ces modèles, le rayon maximal des cellules est de
200 mètres avec des utilisateurs uniformément répartis.
II.5.1.1 Modèle du path loss à 73 GHz
Ce modèle [33] est basé sur les mesures obtenues pour la bande de 73 GHz dans un
milieu urbain (la ville de New York). Le path loss et le facteur de shadowing ont été
calculés pour des scénarios en visibilité directe et non visibilité directe.
On adopte le modèle du path loss en espace libre à une distance de référence qui est
donné par :
4πd0 d
P L(d)[dB] = 20 log10 ( ) + 10n̄ log10 ( ) + Xσ (II.2)
λ d0
Avec d0 est la distance de référence, n̄ est l’exposant du path loss, d est la distance BS-MS
et Xσ est le terme de l’évanouissement par shadowing qui est une variable aléatoire gaus-
sienne de moyenne nulle et d’un écart type σ en dB. Ce modèle fait apparaitre l’exposant
du path loss qui a une signification physique et dépend de la nature de l’environnement
de propagation. Le premier terme donne le path loss en espace libre à une distance de
référence spécifique qui est pratiquement égale à 1 mètre pour les ondes millimétriques car
une grande partie du path loss dans un système de communication mmWave se produit
pour le premier mètre de propagation. Elle est comprise entre 32 and 72 dB pour une
fréquence allant de 1 à 100 GHz. Cette perte est représentée par le premier terme de
l’équation (II.2) qui est indépendant de l’exposant du path loss qui caractérise les pertes
pour des distances supérieures à 1 m [47]. Une autre équation du path loss considérée est
celle utilisée dans le modèle 3GPP qui est connue sous le nom du modèle alpha-beta. Elle
est donnée par :
P L(d)[dB] = α + 10β log10 (d) + Xσ (II.3)
34
Avec α et β sont obtenus par une régression linéaire. On note que cette formule du path
loss est limitée aux distances de mesures et n’est pas applicable pour autres distances
comme l’équation (II.2) [49] et [50]. L’avantage du modèle donné par l’équation (III.53)
est la minimisation de l’écart type du shadowing avec une amélioration de 0.5 à 1 dB
pour un modèle du path loss en espace libre. Cependant, son inconvénient est qu’il n’a
pas réellement une base physique (c’est un modèle mathématique) et il n’est pas bien
adapté pour les données au delà de la gamme des distances pour laquelle il a été calculé.
Le tableau (II.2) résume les paramètres pour le modèle donné par l’équation (II.2). On
donne les valeurs de l’exposant du path loss relatif à une distance référence de 1 mètre et
le facteur de shadowing trouvés pour les mesures effectuées à 73 GHz à New York avec
une altitude de 17 mètres pour la BS et 2 mètres pour la MS.
n̄ Xσ (dB)
visibilité directe 2.0 5.2
non visibilité directe 3.3 7.6
Table II.2 — Paramètres du modèle du path loss à une distance de référence [51]
Le tableau (II.3) résume également les paramètres pour le modèle donné par l’équation
(II.3) pour les mêmes paramètres d’altitudes et de fréquence.
non visibilité directe

α(dB) β Xσ (dB)
81.9 2.7 7.5
Table II.3 — Paramètres du modèle alpha-beta à 73 GHz [51]
Ces résultats montrent que les valeurs du path loss obtenues pour 73 GHz sont très
similaire aux valeurs obtenues pour 28 et 38 GHz qu’on présentera dans la partie suivante.
Ceci indique que la propagation des ondes millimétriques dans différentes bandes sera tout
à fait comparable et tout à fait possible avec des antennes directionnelles à gain élevé.
II.5.1.2 Modèle du path loss à 28 et 38 GHz
Dans le modèle du WINNER II, la fréquence s’étend de 2-6 GHz avec une fréquence
centrale de 5 GHz [47]. Pour les mesures effectuées à New York et à Austin, seulement
deux fréquences porteuses ont été utilisées, ainsi plus de données sont nécessaires pour
35
inclure la fréquence dans le modèle du path loss dans les bandes de 28 et 38 GHz. Pour
cet raison, on adopte le modèle α-β donné par l’équation (II.3) qui traite le path loss
comme une variable aléatoire due aux variations de l’atténuation et les fluctuations du
shadowing.
Généralement, la pente linéaire β est obtenue par une régression linéaire en utilisant
des valeurs du path loss en dB en fonction du logarithme des distances de mesure. Les
valeurs du path loss sont calculées à partir des PDP mesurés par l’intégration de l’aire
sous le PDP pour obtenir la puissance du signal reçu pour chaque position et angle de
pointage des antennes qui est normalisée par la puissance émise et les gains d’antenne
pour avoir le path loss du canal.
Le shadowing décrit les fluctuations aléatoires du path loss autour de sa moyenne. Il
est causé par des obstacles et d’autres effets aléatoires de propagation. Il est important
pour les ingénieurs dans le développement des standards, parce qu’il fournit un modèle
statistique de l’évanouissement pour les simulations, qui prédit les valeurs possibles du
path loss sans avoir des connaissances détaillées sur l’environnement du site.
L’évanouissement par shadowing est représenté comme une distribution log-normale
autour la valeur moyenne du path loss [52]. En général, la variable aléatoire Xσ suit une
loi gaussienne de moyenne nulle et un écart type σ (en dB).
Le tableau (II.4) résume les paramètres trouvés pour le modèle du path loss donné
par l’équation (II.3) en se basant sur les mesures obtenues à New York pour 28 GHz et à
Austin, Texas pour 38 GHz pour des différents altitudes des BS et MS. On donne aussi
le facteur du shadowing qui est l’écart type σ pour chaque modèle. La distance entre la
BS et la MS varie entre 30 et 200 mètres.
36
distance
fréquence HTX HRX scénario de les paramètres du
(GHz) (m) (m) séparation modèle
TX , R X
(m) β α Facteur
(dB) shadowing (dB)
28 GHz 7 Non-Line-of 3.73 75.85 8.36
New York 1.5 sight
17 (NLOS) 4.51 59.89 8.52
8 30<d<200 1.28 115.17 7.59
38 GHz 8 Non-Line-of 0.40 117.85 8.23
Austin, 23 1.5 sight 0.12 118.77 5.78
Texas 36 (NLOS) 0.45 127.79 6.77
36 0.41 116.77 5.96
Table II.4 — Paramètres du modèle alpha-beta à 28 et 38 GHz [49]
On note que les valeurs de l’exposant du path loss enregistrées à Austin, Texas sont
inférieures aux valeurs enregistrées à New York car cette dernière est caractérisée comme
une zone urbaine plus dense ce qui donne un environnement plus dispersif et plus riche en
trajets. Les paramètres du modèle suggèrent qu’un canal mmWave dans un environnement
urbain aura moins de path loss que les valeurs attendues et la couverture est réellement
meilleure que celle suggérée en [53] et [54].
Les trois modèles présentés permettent d’avoir des futures modélisations réalistes des
conditions de propagation pour des liens de transmission par des ondes millimétriques
dans une micro cellule urbaine
II.5.2 Modèles pour le canal mmWave
Il y a un besoin dans le domaine de recherche et le secteur industriel de caractériser

précisément le canal mmWave. Même s’il y a beaucoup de groupes travaillant actuellement
sur des mesures et la modélisation du canal mmWave (par exemple, METIS2020, IEEE
802.11ay, ETSI mmWave SIG, NYU Wireless), plusieurs de ces travaux sont concentrés
sur le développement des modèles pour des systèmes spécifiques. En réponse à ce besoin,
le NIST (National Institute of Standards and Technology) aux États-Unis a offert de
coordonner une alliance pour la modélisation de ce canal. Les travaux ont commencé en
37
juillet 2015. Jusqu’à maintenant, on trouve peu de standard dédiés pour la bandes des
ondes millimétriques. Par exemple, le standard IEEE 802.15.3c qui est le premier standard
pour les systèmes fonctionnant à 60 GHz avec des débits supérieurs à 1 Gb/s.
En se basant sur les caractéristiques de propagations des ondes millimétriques, on
adopte essentiellement deux modèles pour caractériser la matrice du canal en question :
le modèle géométrique qui est utilisé pour les différentes simulations dans notre travail et
le modèle de Saleh-Valenzuela [55].
II.5.2.1 Modèle géométrique
C’est un modèle qui représente un canal MIMO à plusieurs trajets. Il fait sortir un
lien entre les directions de départ et celles d’arrivée pour chaque trajet de propagation.
Ce lien est d’importance fondamentale quand le système entier émetteur-récepteur est
considéré : chaque trajet de propagation est caractérisé par sa direction de départ(DOD)
et sa direction d’arrivée(DOA) .
Puisque le canal mmWave possède un nombre limité des trajets, on peut utiliser le
modèle géométrique du canal avec L diffuseurs. Chaque diffuseur contribue avec un seul
trajet de propagation entre l’émetteur et le récepteur [56]. Sous ce modèle, la matrice du
canal H peut être exprimée par :
s
L
MN X
H= α` aRX (θ` )aTX (φ` )H (II.4)
ρ `=1
Avec ρ représente le path loss moyen entre l’émetteur et le récepteur, α est le gain du
lème trajet. L’amplitude des trajets suit la distribution de Rayleigh α` ∼ N (0, P̄r ), ` =
1, 2, ..., L avec P̄r le gain moyen en puissance. Les variables φ` ∈ [0, 2π] et θ` ∈ [0, 2π] sont
les angles azimut de départ et d’arrivée du lème trajet respectivement.
La matrice du canal est donnée alors sous une forme plus compacte par :
H = ARX diag(α)AH
TX (II.5)
Avec ATX et ARX sont deux matrices qui contiennent les vecteurs de réponse des réseaux
d’antenne :
ATX = [aTX (φT1 X ), aTX (φT2 X ), ..., aTX (φTLX )] (II.6)
38
ARX = [aRX (φR RX RX

1 ), aRX (φ2 ), ..., aRX (φL )]
X
(II.7)
On suppose que ATX est considéré connue pour l’émetteur et ARX est connue pour le
récepteur.
II.5.2.2 Modèle de Saleh-Valenzuela (SV)
C’est un modèle statistique proposé par Saleh et Valenzuela en 1987. Il a été prolongé
au domaine angulaire par Spencer en 2000 [57]. Pour le cas du canal mmWave, Il est utilisé
surtout dans les systèmes fonctionnant dans la bande de 60 GHz après avoir montré sa
convenance à cette bande par les mesures effectuées par IEEE TG3c [34] .
Ce modèle est basé sur le concept des « clusters », c’est-à-dire des groupes des rayons
proches en domaine temporel et angulaire. Le phénomène de « clusterization » est dû
à la dispersion par les différents objets. Dans ce modèle, les composantes multi-trajet
arrivent par cluster. La puissance moyenne du cluster est exponentiellement décroissante
en fonction du temps selon une certaine constante du temps. La puissance de chaque
composante dans chaque cluster est aussi exponentiellement décroissante avec le temps
mais avec une constante du temps différente. La représentation schématique d’un modèle
du canal basé sur les clusters est représenté dans la figure (II.7). la variable τ représente
l’étalement du retard alors que Ω représente la coordonnée angulaire.
Figure II.7 — Représentation schématique du modèle SV [13]
39
Selon ce modèle, la matrice du canal est écrite comme :
Ncl N
s ray
Nt Nr X X
H= αil ar (φril , θilr )ar (φtil , θilt )H (II.8)
Ncl Nray i=1 l=1
Avec Ncl et Nray représentent le nombre des clusters et le nombre des rayons dans
chaque cluster, et αil est le gain du lème rayon dans le ième cluster. On suppose que
les αil sont indépendants et identiquement distribués et suivent une distribution normale
2
) avec N
P cl 2
complexe CN (0, σα,i i=1 σα,i = γ̂ est le facteur de normalisation pour satisfaire

E 2
H = Nt Nr .
F
ar (φril , θilr ) et at (φtil , θilt ) représentent les vecteurs de réponse du réseau d’antenne en récep-
tion et en émission avec φril (φtil ) et θilr (θilt ) sont les angles d’arrivé et de départ en azimut
et en élévation respectivement.
II.6 Avantages de la bande millimétrique
D’après les caractéristiques de propagation présentées, on peut tirer plusieurs motiva-

tions et avantages de l’utilisation des ondes millimétriques pour le réseau cellulaire 5G :
• Une large bande spectrale à exploiter sans avoir besoin de licence ce qui n’est pas le
cas du spectre micro onde qui est complètement alloué et souffre d’une congestion.
Si on déplace tous le spectre utilisé actuellement ( de 0 à 3 GHz), on aura encore
une bande libre de plus de 260 GHz.
• Grâce au large bande spectrale disponible, les systèmes cellulaires mmWave per-
mettent des débits élevés. Les débits pour les micro ondes sont maintenant limités à
1 Gbit/s. Pour les mmWave, le débit peut atteindre 10 Gbits/s ou plus.
• Les dimension des antennes deviennent très réduites ce qui rend pratique l’intégration
des réseaux d’antennes complexes dans des puces ou des PCB (printed circuit board).
• Les ondes millimétriques subissent des fortes atténuations (pertes de pénétration et
pertes de propagation) ce qui rend possible la réutilisation des fréquences pour des
courtes distances.
• La sécurisation de la transmission par les ondes millimétriques grâce à la portée
limitée de transmission.
• Un niveau faible d’interférence : la détérioration du signal pour les mmWave est
importante ce qui encourage l’utilisation des antennes directives. Par conséquent, le
signal amplifié par le gain de l’antenne se trouve confiné dans un angle étroit donc
40
l’interférence avec autre système travaillant sur la même bande diminue. De plus, les
pertes par pénétration des murs est tellement importantes que la propagation des
ondes peut etre considérée comme si elle se fait seulement à l’intérieur de la pièce ce
qui réduit également le niveau d’interférence pour les réseaux indoor.
II.7 Conclusion
Dans ce chapitre, nous avons vu les différentes caractéristiques du canal mmWave. Cette
bande des ondes millimétriques a été identifiée comme une bande de fréquence potentielle
pour satisfaire les débits élevés visés dans les systèmes mobiles 5G. Leurs caractéristiques
de propagation posent des grands défis pour leurs utilisation. Pour compenser le path
loss additionnel due au saut de fréquence de la bande micro-onde au bande d’onde mil-
limétrique, l’utilisation des réseaux d’antenne et des techniques de beamforming devient
nécessaire.
41
EMP III.Estimation du canal de transmission
CHAPITRE III
ESTIMATION DU CANAL DE
TRANSMISSION
42
III.1 Introduction
Les performances d’un système de communication sans fil sont affectées directement
par le milieu de propagation, à savoir les caractéristiques du canal de transmission. Par
conséquent. Il est impératif de comprendre ce qui se passe dans le canal de sorte que le
signal original puisse être reconstruit avec le moins d’erreurs possibles. Les futurs systèmes
de la 5G ne font pas l’exception. Pour l’estimation du canal, on utilise des symboles pilotes
orthogonaux (un signal de référence connu par l’émetteur et le récepteur). L’atténuation
des symboles pilotes est mesurée et les atténuations des symboles de données entre ces
symboles pilotes sont interpolées. Dans ce chapitre, on s’intéresse aux quelques techniques
d’estimation possibles pour un futur système 5G en absence et en présence du phéno-
mène de contamination des pilotes. Pour cela, on considère deux systèmes candidats pour
un réseau cellulaire de cinquième génération. Le premier est un système hybride analo-
gique/numérique fonctionnant dans la bande des ondes millimétriques. Le second est un
système MIMO massif qui utilise la bande de fréquence autour de 6 GHz. Dans le reste du
chapitre, on présente le modèle de chaque système et les algorithmes d’estimation utilisés
pour l’éstimation des paramètres du canal
III.2 Éstimation du canal de transmission sans contamination des pilotes
Dans cette partie, on suppose qu’il n’ya pas d’interférence entre les cellules adjacentes
pendant la phase de l’éstimation, c’est-à-dire, la BS de la cellule ne reçoit, avec un niveau
de puissance significatif, que les symboles pilotes émis par les utilisateurs à l’intérieur de
la cellule. Comme indiqué dans l’introduction du chapitre, on considère deux systèmes
possibles pour cette étude.
III.2.1 Éstimation du canal dans un système d’onde millimétrique
Le grand nombre des antennes utilisées dans un système mmWave (un système d’onde
millimétrique) et l’utilisation du beamforming analogique ont poussé au développement
des algorithmes d’estimation du canal et de codage dédiés au canal mmWave. Dans [29],
les auteurs ont développés un algorithme adaptatif pour estimer les paramètres du canal
sans aucune connaissance a priori de son état en exploitant le nombre faible des trajets
significatifs du canal ce qui permet d’utiliser les outils de la théorie de la CS adaptative
(adaptive compressed sensing). Cet algorithme est équipé par un dictionnaire hiérarchique
43
multirésolution utilisé pour construire les vecteurs de beamforming de la phase d’appren-

tissage avec différentes ouvertures de faisceau et un codage hybride utilisé après la phase
de l’éstimation.
III.2.1.1 Modèle du système
Un système cellulaire d’onde millimétrique illustré dans la figure (III.1) ressemble dans
sa configuration à un système cellulaire classique. Il est constitué de cellules adjacentes.
Chaque cellule comporte un certain nombre des utilisateurs (MS) qui communiquent avec
la station de base (BS) à travers des faisceaux directifs (opération du beamforming) en
utilisant de larges réseaux d’antennes.
Figure III.1 — Modèle du système cellulaire mmWave [29]
On suppose que la BS avec M antennes0 et NRF chaines RF communique avec une MS

qui possède N antennes et NRF chaines RF comme le montre la figure (III.2). Le nombre
de chaines RF dans la MS est pratiquement inférieur à celui de la BS, mais on ne tient
pas compte de ce fait dans ce modèle. La BS et la MS communiquent à travers NS canaux
qu’on appelle data stream tel que NS ≤ NRF ≤ M et NS ≤ NRF ≤ N .
Pour émettre un signal, la BS applique en bande de base un précodeur numérique

FBB ∈ CNRF ×Ns suivi par un précodeur RF analogique FRF ∈ CM ×NRF . On note
44
NR R
Figure III.2 — Schéma bloc d’un système BS-MS hybride [29]
FT = FRF FBB la matrice de précodage appliquée à l’émission. Comme FRF est implé-
menté en utilisant des déphaseurs analogiques, ses éléments sont de modules constants.
On normalise ses éléments pour satisfaire |[FRF ]m,n |2 = NT−1
X
avec |[FRF ]m,n | représente
le module du (m, n)ème élément de FRF . Au niveau de la MS, le décodeur WT composé
d’un décodeur RF WRF et un décodeur en bande de base WBB est utilisé pour extraire
les données transmises à partir du signal reçu.
Le signal reçu après traitement au niveau du récepteur est donné alors par :
y = WT H HFT s + WT H n (III.1)
avec :
WT ∈ CN ×NS est la matrice de décodage utilisée pour le traitement du signal reçu.
H ∈ CN ×M est la matrice du canal mmWave entre la BS et la MS.
FT ∈ CM ×Ns est la matrice de précodage utilisée par l’émetteur.
PS
s ∈ CNs ×1 est le vecteur des symboles émis tel que E[ssH ] = I
NS NS
et PS est la puissance
moyenne d’émission.
n ∼ N (0, σ 2 ) est le vecteur bruit gaussien.
Puisque le canal mmWave possède un nombre limité de trajets, on adopte le modèle
géométrique du canal avec L diffuseurs. Chaque diffuseur contribue avec un seul trajet de
propagation entre l’émetteur et le récepteur.
45
Sous ce modèle, le canal H peut être exprimé par :

s
L
MN X
H= α` aRX (θ` )aTX (φ` )H (III.2)
ρ `=1
On considère seulement l’azimut et on néglige l’altitude pour les AOD et AOA. Ceci im-
plique que toute la dispersion se produit dans l’azimut et que la BS et la MS utilisent
seulement un beamforming horizontal (1-D). L’extension à un beamforming 2-D est pos-
sible [58]. α` ∼ N (0, P̄R ), ` = 1, 2, ..., L représentent les vecteurs de réponse des réseaux
d’antenne utilisés en émission et en réception respectivement. Bien que les algorithmes
présentés dans ce travail peuvent etre appliqués à un réseaux d’antennes de formes ar-
bitraire, on emploie des réseaux d’antennes rectilignes uniformes (ULA). Si un ULA est
utilisé, exprimé comme :
1 2π 2π
aTX (φ` ) = √ [1, ej λ d sin(φ` ) , ..., ej(M −1) λ d sin(φ` ) ]T (III.3)
M
avec λ est la longueur d’onde du signal et d est la distance inter-élément du réseau. Le

vecteur de réponse du réseau d’antenne en réception est écrit de la même façon.
La matrice du canal est donnée alors sous une forme plus compacte par :
H = ARX diag(α)AH
TX (III.4)
avec : s
MN
α= [α1 , α2 , ..., αL ]T
ρ
ATX = [aTX (φ1 ), aTX (φ2 ), ..., aTX (φL )]
ARX = [aRX (θ1 ), aRX (θ2 ), ..., aRX (θL )]
III.2.1.2 Problème d’estimation du canal mmWave
Étant donné le modèle géométrique du canal, estimer le canal mmWave revient à l’es-
timation des différents paramètres des L trajets ; à savoir les DOD, les DOA, et le gain de
chaque trajet. Pour faire cela avec le minimum d’erreur et du temps de calcul, la BS et la
MS doivent soigneusement concevoir leurs précodeurs et combinateurs de la phase d’ap-
prentissage donnés par le dictionnaire hiérarchique multirésolution basé sur l’architecture
hybride analogique/numérique du système. Dans cette partie, on exploite la caractéris-
46
tique du faible nombre de trajets significatifs dans un canal mmWave pour reformuler le
problème d’estimation du canal mmWave.
Considérons le système mmWave et le modèle du canal décrits précédemment. Pour
un vecteur du beamforming fp utilisé par la BS et un vecteur Wp utilisé par la MS pour
décoder le signal reçu, le signal résultant peut être écrit comme :
yq,p = WqH Hf p sp + WqH nq,p (III.5)
Avec sp est le vecteur des symboles transmis par le vecteur du beamforming fp tel que
E[ssH ] = P , avec P est la puissance moyenne utilisée par transmission dans la phase
d’apprentissage. Si MM S mesures sont effectuées par les vecteurs Wq, q = 1, 2, ..., MM S
de la MS aux MM S instants successifs pour détecter le signal transmis par le vecteur de
beamforming fp , il en résulte que :
yp = WH Hf p sp + diag(WH [n1,p , ..., nMM S ,p ]) (III.6)
avec W = [w1 , w2 , ..., wMM S ], N × MM S . Si MBS vecteurs de beamforming fp , p =

1, ..., MBS sont utilisés aux MBS instants successifs et la matrice W est utilisée à
la réception, on obtient la matrice des données reçues par empilement des vecteurs
yp , p = 1, 2, ..., MBS :
Y = WH HFS + Q (III.7)
Avec F = [f1 , f2 , ..., fMBS ], M × MBS et Q ∈ CMM S ×MBS est la matrice du bruit obtenue
en empilant MBS vecteurs de bruit. La matrice S est une matrice diagonale contenant
les MBS symboles transmis sp , p = 1, ..., MTX . Pour la phase d’apprentissage, on suppose
√
que tous les symboles transmis sont égaux à savoir S = P IMBS et donc :
√
Y= P WH HF + Q (III.8)
Pour pouvoir reformuler le problème d’estimation selon la nature du canal mmWave, on

vectorise d’abord la matrice résultante Y :
√
yv = P vec(WH HF) + vec(Q)
(a) √
= P (FT ⊗ WH )vec(H) + nQ
(b) √
= P (FT ⊗ WH )vec(A∗TX ◦ ARX )α + nQ (III.9)
47
Avec (a) est le résultat de [59], (b) résulte du modèle du canal et les propriétés du
produit de Khatri-Rao [60]. Puis, on quantifie les AOD et les AOA. On suppose que
ces angles sont pris d’une grille uniforme de V points tel que V L, c’est-à-dire,
φ` , θ` ∈ {0, 2π
V
, ..., 2π(VV −1) }.
En négligeant l’erreur de quantification, on peut approximer yv comme :
√
yv = P (FT ⊗ WH )AD z + nQ (III.10)
Avec AD ∈ M N × V est une matrice dictionnaire constitué de V 2 vecteurs colonnes de la

forme (a∗TX (φ̄u ) ⊗ aRX (θ̄v )) avec φ̄u et θ̄v respectivement de la grille uniforme des angles,
2πu 2πv
c.-à-d, φ̄u = V
, u = 0, 2, ..., V − 1 et θ̄v = V
, v = 0, 2, ..., V − 1. z est un vecteur
2
colonne de V × 1 éléments qui représentent les gains des trajets des directions quantifiées
correspondantes.
On note de l’équation (III.10) que la détection des colonnes de la matrice AD qui
correspondent aux éléments non nuls de z implique directement l’obtention des AOD et
AOA des trajets dominants du canal. Les gains de ces trajets peuvent être estimés en
calculant les valeurs de ces éléments de z. Comme z possède seulement L éléments non
nuls et L V 2 , le nombre des mesures nécessaires MTX MRX , pour trouver les éléments
non nuls de z est beaucoup plus petit que V 2 . Ceci implique que ni la BS ne doit émettre
avec tous les vecteurs définis dans le dictionnaire ni la MS ne doit utiliser le dictionnaire
entier pour récupérer le signal. En se basant sur la formulation du problème donnée
par l’équation (III.10), les outils du CS peuvent être utilisés pour résoudre le problème
d’estimation des AOD et AOD quantifiés.
On définit la matrice de détection Ψ = (FT ⊗ WH )AD . On cherche à concevoir cette
matrice de sorte qu’on peut récupérer les éléments non nuls du vecteur z avec le minimum
des mesures et le plus probablement possible. Un critère pour garantir ceci est la propriété
d’isométrie restreinte (RIP) qui exige que la matrice de détection doit être proche de
diagonale [61].
On distingue deux catégories dans la théorie de CS : la CS standard et la CS adaptative.
Dans la théorie de CS standard, le nombre des vecteurs de mesure requis pour garantir
la détection des L trajets est de l’ordre de O(L log(V /L)) [62]. Tandis que ces résultats
sont théoriquement prouvés, leurs implémentations pour des applications spécifiques, et
le développement des algorithmes efficaces nécessitent encore plus de travail. On utilise
alors les outils de CS adaptative pour la conception des vecteurs beamforming dans la
48
phase d’apprentissage.
En CS adaptative [63]- [64], la phase d’apprentissage est divisée en un certain nombre
d’étapes. Les matrices de précodage et décodage utilisées à chaque étape ne sont pas
déterminées a priori, mais dépendent plutôt de l’étape précédente. Plus spécifiquement,
si la phase d’apprentissage est divisée en S étapes, les signaux reçus de ces étapes sont
donnés par :
p
yS = PS (FTS A∗TX ,D ⊗ WST ARX ,D )z + nS , S = 1, ..., s (III.11)
La construction des sème précodeurs et combinateurs Fs et Ws dépend de y(s−1) . Les

travaux récents dans [63]- [64] montrent que les algorithmes basés sur la CS adaptative
ont une meilleure performance que les outils de CS standard pour les faibles SNR, ce qui
est le cas typique des systèmes d’ondes millimétriques avant d’effectuer le beamforming.
En utilisant les outils de CS adaptative, les vecteurs de beamforming de la phase
d’apprentissage sont conçus de manière adaptative selon le concept de bissection. On
commence par la répartition du vecteur z ce qui divise d’une manière équivalente les
AOD/AOA en un certain nombre d’intervalles. Puis, on conçoit les matrices de précodage
et décodage de la première étape F(1) et W(1) . Le signal reçu y(1) est alors employé pour
déterminer les partitions qui portent des éléments différents de zéro. Ces partitions sont
encore divisées dans les prochaines étapes jusqu’à détecter les éléments différents de zéro,
les AOA/AODs avec la résolution désirée.
III.2.1.3 Dictionnaire hybride hiérarchique multirésolution
C’est un dictionnaire de codage hybride analogique/numérique qui contient les matrices

de précodage et décodage F et W utilisées par la BS et la MS dans la première phase
de l’éstimation du canal mmWave pour récupérer le signal émis dans les faibles valeurs
du SNR qui caractérisent le système mmWave avant d’effectuer le beamforming. Ce dic-
tionnaire est alors essentiel pour le bon fonctionnement de l’algorithme d’estimation. Il
prend en considération les limites de la chaines RF à savoir, les déphaseurs à amplitudes
constantes avec des phases quantifiées et reste valable pour un réseau d’antenne arbitraire.
Il est peu complexe et possède une meilleure performance par rapport aux autres diction-
naires basés sur un beamforming uniquement analogique [65]. Ces derniers ne sont pas
appliqués dans le cas des ondes millimétriques à cause de :
• La difficulté de concevoir des faisceaux sans recouvrement en présence des déphaseurs
quantifiés d’où la nécessité d’une recherche exhaustive sur un grand espace à cause
49
du grand nombre d’antennes utilisé.

• La conception des vecteurs de beamforming uniquement analogiques avec une cer-
taine largeur de faisceau est basée essentiellement sur le modèle d’un faiseau produit
par un réseau linéaire et uniforme et ceci est difficile à appliquer pour un réseau
d’antenne arbitraire.
Dans ce paragraphe, on explique la structure du dictionnaire F utilisé par la BS. La même
structure est utilisée par la MS pour la construction de son dictionnaire W . Le diction-
naire hiérarchique est constitué de S niveaux, Fs , s = 1, 2, ..., S. Chaque niveau contient
des vecteurs de beamforming avec une certaine largeur pour être utilisés dans l’étape cor-
respondante de la phase d’apprentissage. La figure (III.3) illustre les trois premiers niveaux
d’un dictionnaire avec V=256 et K=2. Dans chaque niveau, les vecteurs de beamforming
sont divisés en K s−1 sous-ensembles qui contiennent K vecteurs de beamforming. Cha-
cun de ces k sous-ensembles est associé à un intervalle des AOD égal à { 2πu
V
}u∈I(s,k) , avec
I(s,k) = { (k−1)V
K s−1
, ..., KkV
s−1 }. Cet intervalle est encore divisé en K intervalles dans le prochain
niveau et chacun des K vecteurs de beamforming est construit pour avoir des projections
égales sur les vecteurs aTX (φ̄u ) avec u est dans l’intervalle en question et une projection
nulle sur les vecteurs ailleurs. Ceci revient en fait à l’implémentation des vecteurs de
beamforming avec une largeur déterminée par ces intervalles et dirigés vers des directions
prédéfinies.
Figure III.3 — Trois premiers niveaux d’un dictionnaire multirésolution [29]
h i
Dans chaque niveau s et sous-ensemble k, les vecteurs de beamforming F(s,k) ,
:,m
m = 1, 2, ..., K sont construits de sorte que :

h iH  C si u ∈ I
s (s,k,m)
F(s,k) aTX (φ̄u ) = (III.12)
:,m  0 si u ∈
/ I(s,k,m)
50
Avec I(s,k,m) = { KVs (K(k − 1) + m − 1) + 1, ..., KVs (K(k − 1) + m)} désigne les in-
h i
tervalles des AOD associés au vecteur F(s,k) et Cs est une constante de norma-
:,m
lisation qui satisfait la condition F(s,k) = K. Par exemple, le vecteur [F(2,1) ]:,1

:,m
dans la figure (III.3) est construit pour avoir une projection constante sur les vecteurs
aTX (φ̄u ), u ∈ {64, 65, ..., 127} et , c.-à-d, φ̄u ∈ {0, ..., 2π 127
256
} et une projection nulle sur les
autres directions. Ainsi, les vecteurs de beamforming désirés sont la solution du système
d’équations :
AH
TX ,D F(s,k) = Cs G(s,k) (III.13)
Avec G(s,k) ∈ RV ×K est une matrice dont la mème colonne contient un 1 dans la position
u ∈ I(s,k,m) et des zéros ailleurs. la solution approximative du système d’équations (III.13)
est donnée par [29] :
−1
F(s,k) = Cs (ATX ,D AH
RX ,D ) ATX ,D G(s,k) (III.14)
Comme la matrice de précodage F(s,k) est définie comme F(s,k) = FRF,(s,k) FTX (s,k) et chaque
vecteur de beamforming est utilisé individuellement à un certain instant, la construction
des matrices de codage hybride est réalisée par la résolution du problème :
h i h i h i
?

?
FRF,(s,k) , FBB,(s,k) = argmin F(s,k)
− FRF,(s,k) FBB,(s,k) ,
:,m :,m :,m
F
h i h i
s.c. FRF,(s,k) ∈ Acan |1 6 ` 6 Ncan , i = 1, 2, ..., NRF
:,i :,`
h i 2

FRF,(s,k) , FBB,(s,k) (III.15)
:,m
F
h i h i
−1
Avec F(s,k) = Cs (ATX ,D AH
RX ,D ) ATX ,D G(s,k) et Acan ∈ CM ×Ncan est la matrice
:,m :,m
qui contient l’ensemble fini des vecteurs de beamforming analogique possibles. Les colonnes
de la matrice candidate Acan sont choisies pour satisfaire les contraintes de beamforming
analogique. Étant donné la matrice Acan des vecteurs possibles de beamforming analo-
51
gique, le problème d’optimisation de l’equation(III.15) est reformulé comme [58], [27] :
h i h i h i

F?BB,(s,k) = argmin F (s,k) − A can F BB,(s,k)
,
:,m
:,m :,m
F
h i h iH
s.c. diag( F
BB,(s,k) FBB,(s,k) = NRF
)
:,m :,m `

0
2
h i

FRF,(s,k) , FBB,(s,k) (III.16)
:,m
F
La première contrainte assure que seulement NRF lignes de [FBB,(s,k) ]:,m peuvent être non
nulles et donc les colonnes de Acan correspondant à ces lignes sont choisies pour construire
le précodeur RF FRF,(s,k) . La résolution du problème d’optimisation de l’équation (III.16)
est compliquée. Ainsi, on développe une solution itérative du problème [58] donnée par
l’algorithme 1.
Algorithme 1 : Algorithme de construction du dictionnaire [29]

R=∅
h i
fres = (ATX ,D AH )−1 A
TX ,D TX ,D G(s,k)
h i :,m
? H −1
f = (ATX ,D ATX ,D ) ATX ,D G(s,k)
:,m
Pour i ≤ NRF
H A
Φ = fres can
h i
n = arg maxn=1,2,...,Ncan ΦH Φ
i,i
R=R∪n
h i
FRF,(s,k) = Acan
h i :,R
= (FH −1 H ?
FBB,(s,k)
:,m RF,(s,k) FRF,(s,k) ) FRF,(s,k) f

fres −FRF,(s,k) ,
FBB,(s,k)
:,m
fres = h i

fres − FRF,(s,k) , FBB,(s,k)

:,m
F
fin
v
Cs = u h 1
u
i
FRF,(s,k) , FBB,(s,k)
t

:,m F
h i h i
FBB,(s,k) = Cs FBB,(s,k)
:,m :,m
On commence par la recherche des vecteurs [Acan ]:,l selon lesquels la matrice F? aura
une projection maximale. Puis, on ajoute les vecteurs colonnes sélectionnées [Acan ]:,n
au précodeur RF FRF,(s,k) et on calcule la matrice [FBB,(s,k) ]:,m correspondante. Ensuite,
la contribution du vecteur sélectionné est enlevée et on refait le calcul afin de repérer
52
le vecteur selon lequel la matrice résiduelle Fres possède une projection maximale. Ce
processus est répété jusqu’à avoir trouvé les NRF vecteurs de beamforming nécessaires
ème
pour la phase d’apprentissage. En résumé, à la fin de la NRF itération, on aura la matrice
des vecteurs de beamforming FRF,(s,k) de taille M ×NRF et la matrice de codage numérique
en bande de base [FBB,(s,k) ]:,m qui vont être utilisées par l’algorithme d’estimation du canal
mmWave dans la phase d’apprentissage.
III.2.1.4 Algorithmes adaptatifs d’estimation du canal mmWave
On considère le problème d’estimation du canal mmWave formulé dans (III.11). On

présente dans ce qui suit des algorithmes adaptatifs qui utilisent le dictionnaire hiérar-
chique multirésolution expliqué pour l’éstimation du canal mmWave. Ces algorithmes ont
été proposés dans [29]. Ensuite, nous proposons deux modifications pour améliorer les
performances de ces algorithmes. Premièrement, nous abordons le problème d’estimation
pour un canal à un seul trajet de propagation. Puis, nous prolongeons l’étude pour un
canal à trajets multiples.
A. Éstimation d’un canal à trajet unique

Étant donné le problème d’estimation formulé dans (III.11), un canal avec un seul trajet
implique que le vecteur z possède seulement un seul élément non nul. Ainsi, estimer le
canal revient à déterminer la position de cet élément qui définit également les AOD/AOA.
La valeur de cet élément détermine le gain du trajet estimé. L’algorithme proposé dans
[29] cherche à repérer cet élément d’une manière adaptative en utilisant les vecteurs de
beamforming multirésolution déjà construits dans la phase offline.
Dans l’étape initiale de la phase d’apprentissage, la MS utilise les K vecteurs de beam-
forming du premier niveau du dictionnaire F. Pour chacun de ces vecteurs, la BS utilise
à son tour les K vecteurs du premier niveau de son dictionnaire W pour décoder le signal
reçu.
Après K 2 opérations de précodage-mesures dans cette étape, l’article [29] propose de
comparer les puissances des K 2 signaux reçus pour déterminer celui avec le maximum
de puissance reçue. Comme chaque vecteur de beamforming est lié à un intervalle des
AOD/AOD quantifiés, l’opération de la première étape divise le vecteur z en K 2 répar-
titions. Ainsi, la sélection du signal de puissance maximale implique la sélection d’une
répartition de z et par conséquent l’intervalle des AOD/AOA qui contient le plus proba-
blement le trajet de propagation.
53
Cette méthode donne des bons résultats en terme de l’efficacité spectrale, mais de
mauvais résultats en terme du taux d’erreur binaire (BER) d’après les résultats de simu-
lation donnés dans le prochain chapitre. La méthode proposée dans [29] est basée sur le
choix de la puissance maximale des signaux reçus. Dans le cas des ondes millimétriques,
le signal reçu est complètement noyé dans le bruit avant d’effectuer le beamforming (un
rapport SNR inférieur à 0 dB). Ceci implique que la puissance maximale sélectionnée
ne correspond pas toujours à la somme des puissances du signal reçu et le bruit, mais
elle peut facilement correspondre uniquement à la puissance d’un bruit plus important à
cette somme à cause d’une atténuation importante de l’onde lors de sa propagation. Par
conséquent, on aura des erreurs dans l’éstimation des paramètres du canal. Ces constats
sont vérifiés dans les simulations effectuées. Ces erreurs se reflètent surtout sur le BER
du système hybride. L’article [29] limite la probabilité d’erreur du système à 0.05.
Pour améliorer les performances de l’algorithme de l’éstimation, nous proposons de
modifier la méthode du choix de la répartition du vecteur z qui correspond au trajet
de propagation désiré. Au lieu de choisir directement la puissance maximale des signaux
reçus, on cherche d’abord à séparer les sources des signaux des sources du bruit.
Pour chaque vecteur fp , p = 1, ..., K du dictionnaire F utilisé par la MS pour émettre les
symboles pilotes, la BS utilise tous les vecteurs wp , p = 1, ..., K du niveau correspondant
du dictionnaire W. On obtient alors la matrice Y dont chaque ligne y comprend les signaux
reçus qui sont tous décodés au BS par un seul vecteur combinateur Wp et précodés par
tous les vecteurs fp du niveau de F correspondant dans la MS.
À partir de la matrice des signaux reçus Y, on forme pour chaque vecteur ligne y :
yH y = (Ψz)H (Ψz)
= zH (ΨH Ψ)z (III.17)
Pour pouvoir construire une matrice de détection Ψ capable de récupérer le plus pro-
bablement possible les éléments non nuls du vecteur z avec le minimum de mesures, la
propriété d’isométrie restreinte exige que la matrice ΨH Ψ soit proche de diagonale (ma-
trice à diagonale dominante). On applique alors le test de dominance de la diagonale sur
chaque matrice Ai = yiH yi avec yi est un vecteur ligne de la matrice Y. Ce test stipule
que le module des éléments de la diagonale soit supérieur ou égal à la somme des modules
54
des autres termes de sa ligne :
N
X
|Ajj | ≥ |Ajk | (III.18)
k=1,j6=k
On cherche alors les matrices Ai qui vérifient ce critère puis parmi ces matrices on prend
celle qui possède la plus grande valeur de la diagonale Aijj . L’indice i correspond à la
ligne yi de la matrice Y et donc il désigne le vecteur combinateur wi choisi. De même,
l’indice j désigne le vecteur de beamforming fi utilisé. Puisque chaque vecteur de beam-
forming/combinateur correspond à un intervalle spécifique des AOD/AOA, les indices i
et j trouvés correspondent aux intervalles des AOD/AOA désirés dans le réseau uniforme
quantifié des angles.
Une fois les intervalles des AOD/AOA sont déterminés, le reste de l’algorithme reste
inchangé. Ces intervalles sont utilisés pour déterminer les ensembles des vecteurs de beam-
forming du s + 1ème niveau de F et W qui vont être utilisés dans la prochaine étape de
la phase d’apprentissage. La BS informe la MS des ensembles selectionnées pour les utili-
ser dans la prochaine étape. Comme les vecteurs de beamforming des prochains niveaux
possèdent une résolution de plus en plus élevée, la résolution des AOD/AOA s’améliore
2π
d’une étape à une autre jusqu’à atteindre la résolution désirée V
. La valeur du dernier
élément sélectionné du vecteur z donne le gain du trajet estimé.
Le nombre total des étapes nécessaires pour estimer les AOD/AOA avec la résolution
2π
V
est logK V . Comme on utilise K vecteur de beamforming pour chaque vecteur de
beamforming d’émission dans chaque étape, le nombre total des opérations nécessaire
pour l’éstimation du canal devient K 2 logK V . De plus, on peut utiliser NRF chaines RF
simultanément pour combiner les mesures, donc le nombre des opérations effectuées se
réduit à K[ NKRF ] logK V . L’algorithme d’estimation du canal mmWave à trajet unique
modifié est donné ci-dessous :
55
Algorithme 2 : Algorithme modifié d’estimation du cannal mmWave pour un seul trajet

Données :V, K, F et W
k1BS = 1, k1M S = 1 //initialiser les ensembles des dictionnaires F et W
Initialisation :
S = logK N //le nombre des étapes adaptatifs
Pour s ≤ S
pour mBS ≤ K
h i
M S émet un symbole pilote en utilisant F(s,kM S )
s :,mM S
pour mBS ≤ K
h i
BS récupère les symboles en utilisant W(s,kBS )
s :,mBS
fin
√ h i h i
ymBS = Ps W(s,kBS ) H F(s,kM S ) + nmBS
s s :,mM S
fin
Y(s) = [y1 , y2 , ..., yK ]
pour mM S ≤ K
AmM S = yH y
chercher les Am tel que |Am |Am
PN
jj
MS
jj
MS
|≥ k=1,j6=k jk
MS
|
fin
(m?BS , m?M S ) = arg max∀mBS ,mM S =1,2,...,K [Am
mBS ,mBS ]mM S ,mBS
MS
BS = K(m? − 1) + 1, k M S = K(m?
ks+1 BS s+1 M S − 1) + 1
fin
φ̂ = φ̄kBS , θ̂ = θ̄kM S
qs+1 h s+1 i
α̂ = P ρG Y(S)
(s) (s) m?M S ,m?BS
B. Éstimation d’un canal multitrajet

L’algorithme 2 est généralisé pour estimer les AOD/AOD et les gains correspondants
des Ld trajets dominants. On cherche alors à déterminer les Ld éléments non nuls du
vecteur z. Pour le cas multitrajet, le premier niveau du dictionnaire Fs comporte KLd
vecteurs de beamforming qui divise les angles en KLd intervalles. De même, dans chaque
niveau s, s > 1, le dictionnaire Fs possède K s−1 Ld niveaux, et les intervalles I(s,k) sont
définis comme I(s,k) = { L(k−1)N
dK
kN (N
s−1 , ..., L K s−1 } et I(s,k) = { L K s−1 (K(k − 1) + m − 1) +
d d
1, ..., Ld KNs−1 (K(k − 1) + m)}. Pour cette définition des angles quantifiés associés avec le
mème vecteur de beamforming du k ème ensemble du sème niveau, la construction des
vecteurs de beamforming de la phase d’apprentissage pour le cas multitrajet est pareille
à celle décrite précédemment.
56
Pour estimer les Ld trajets dominants, l’algorithme 3 est constitué de Ld itérations.

Dans chaque itération, un algorithme similaire à l’algorithme 2 est appliqué pour détecter
un trajet après avoir éliminé la contribution des trajets déjà estimés. Plus spécifiquement,
l’algorithme 3 fonctionne comme suit : dans l’étape initiale, la BS et la MS utilisent les
KLd vecteurs de beamforming définis dans le dictionnaire pour diviser les AOD/AOA en
KLd intervalles.
Comme dans l’algorithme 2 non modifié proposé dans [29], on propose d’utiliser la
puissance maximale du signal reçu pour déterminer les Ld répartitions qui portent le plus
probablement les trajets dominants du canal. Pour les raisons expliquées précédemment,
cette approche engendre des erreurs inévitables dans l’éstimation des paramètres donc
nous proposons dans l’algorithme 3 d’utiliser la méthode alternative décrite pour le cas
d’un seul trajet et qui est valable pour le cas multi-trajet tant qu’on élimine la contribution
des trajets estimés.
Ce processus du choix des Ld répartitions qui portent le plus probablement les trajets
dominants du canal est répété jusqu’à obtenir la résolution des angles désirés et unique-
ment un seul trajet est éstimé dans cette itération. La trajectoire utilisée par la BS pour
détecter le premier trajet est sauvegardée dans la matrice TBS . Dans la prochaine itéra-
tion, une opération similaire du beamforming BS-MS est répétée. Cependant, à chaque
étape s, la contribution du trajet déjà estimé dans l’itération précédente qui est sauve-
gardée dans la matrice TBS est éliminée avant de déterminer le nouvel interval des AOD.
L’algorithme 3 procède de la même manière jusqu’à ce que tous les Ld trajets dominants
sont repérés.
Vu que la recherche des AOD/AOA se fait d’une manière hiérarchique et adaptative
ou le résultat de chaque étape dépend entièrement sur celui de l’étape précédente dans
la phase d’apprentissage, une erreur commise dans les premières étapes se propage vers
les autres et conduit à une estimation complètement fausse des AOD/AOA sans aucune
alerte ou un moyen de détecter cette erreur pour la corriger. De plus, faire une erreur
dans le choix de l’intervalle dans les premières étapes est très possible à arriver à cause
des interférences destructives entre le nombre élevé des trajets dans les premières étapes
de la phase d’apprentissage, car on n’a pas encore éliminé la contribution d’un grand
nombre des trajets. Encore une fois, ces erreurs se reflètent le plus sur le BER du système.
Pour réduire ces erreurs, nous proposons une deuxième modification qu’on désigne
par le nom « le vote majoritaire » pour l’algorithme d’estimation du canal multi trajet.
57
Cette modification consiste à répéter les étapes de la phase d’apprentissage un certain

nombre de fois et sauvegarder les indices correspondant aux intervalles des AOD/AOA
trouvés dans chaque répétition. Ensuite, nous choisissons les indices les plus répétés.
Ces indices ont plus de chance de correspondre aux AOD/AOA désirés que les indices
trouvés sans cette modification. Par conséquent, nous évitons une estimation erronée
des angles des trajets. La répétition proposée ne devrait pas poser de problème puisque
la partie majoritaire des calculs s’effectue dans la BS qui possède une puissance de
calcul importante et comme le retard de propagation est très faible pour les ondes
millimétriques, le calcul des indices devrait être terminé dans les limites du temps
cohérent du canal. Les deux modifications proposées sont validées par les résultats de
simulation. Après l’estimation des AOD/AOA avec la résolution désirée, l’algorithme
calcule finalement les gains des trajets en utilisant l’estimateur LLSE (Linear Least
Squares Estimator).
Le nombre total des étapes utilisées par l’algorithme 3 pour estimer les AOD/AOA
2π
des Ld trajets du canal avec une résolution V
est logK ( LVd ). Puisqu’on utilise KLd
vecteurs dans chaque direction pour chaque étape et comme ces étapes sont répétées
pour chaque trajet, le nombre total des étapes devient K 2 L3d logK ( LVd ). En utilisant Nrf
KLd
chaines RF au niveau de la MS, le nombre des étapes est réduit à KL2d [ NRF
] logK ( LVd ).
En répétant les étapes de la phase d’apprentissage R fois, le nombre des étapes devient
KLd
RKL2d [ NRF
] logK ( LVd ).
III.2.1.5 Codage hybride
On s’intéresse maintenant à la conception des matrices de codage hybrides

(FRF , FBB , WRF WBB ) au BS et MS. Bien que l’objectif de notre travail est l’ésti-
mation du canal mmWave, nous expliquons ici brièvement la procédure du codage
hybride utilisée dans le système mmWave après la fin de la phase d’estimation pour
évaluer les performances du système entier.
Nous ne détaillons pas dans ce travail le calcul des matrices de codage hybride, une
fois l’éstimation du canal est terminée. Nous résumons le processus du calcul des matrices
du codage hybride par la BS pour les utiliser dans la liaison descendante. Le calcul des
matrices de codage pour la liaison ascendantes effectué par la MS se fait d’une manière
58
similaire.
Algorithme 3 : Algorithme modifié d’éstimation du cannal mmWave multitrajet

Données :V, K, F et W
Initialisation :TBS MS
1,1 = {1, ..., 1},T1,1 = {1, ..., 1},S = logK (N/Ld )
pour r ≤ R
pour ` ≤ Ld
Pour s ≤ S
pour mM S ≤ KLd
h i
M S émet un symbole pilote en utilisant F(s,TM S )
`,s :,mM S
pour MBS ≤ KLd
h i
BS récupère les symboles en utilisant W(s,TBS )
`,s :,mBS
fin
√ h i h i
ymBS = Ps W(s,TBS ) H F(s,TM S ) + nmBS
`,s `,s :,mM S
fin
Y(s) = [y1T , y2T , ..., yK
T ]T
pour p ≤ ` − 1 //éléminer la contribution des trajets éstimes

h i h i
g = FT
(s,T BS )
ABS,D BS
H
⊗ W(s,T M S ) AM S,D MS
p,s :,Tp,s (1) p,s :,Tp,s (1)
H g(gH g)g
y(s) = y(s) − y(s)
fin
Y = matrice(y(s) ) //transformer y(s) au forme matricielle
pour mM S ≤ K
AmM S = yH y
m m PN m
chercher les AjjM S tel que |AjjM S | ≥ k=1,j6=k |AjkM S |
fin
m
(m?BS , m?M S ) = arg max∀mBS ,mM S =1,2,...,K [AmM S
]
BS ,mBS mM S ,mBS
TBS
(`,s+1)
(1) = K(m?BS − 1) + 1, TM S
(`,s+1)
(1) = K(m?M S − 1) + 1
pour p ≤ ` − 1
TBS
(`,s+1)
(p) = TBS
(p,s+1)
(1), TM S
(`,s+1)
(p) = TM S
(p,s+1)
(1)
fin
fin
fin
Kb -final=[Kb -final K(m?BS − 1)]
Km -final=[Km -final K(m?M S − 1)]
fin
Kb? =vote-majoritaire(Kb -final) //appliquer le vote majoritaire sur les AOD estimès
? =vote-majoritaire(K -final)//appliquer le vote majoritaire sur les AOA estimès
Km m
φ̂ = φ̄K ? , θ̂ = θ̄Km
?
b h i h i
g = FT (S,K )? A BS,D
H
⊗ W(S,K ? AM S,D
b :,Kb? m) ?
:,Km
H
q ρ y(s) g
α̂ = P(s) G(s) gH g
Le problème de codage est divisé en deux phases. D’abord, la BS et la MS appliquent

l’algorithme d’estimation pour calculer les paramètres du canal. À la fin de la phase d’ap-
prentissage/estimation, la BS construit la matrice du canal de la liaison descendante en
utilisant le modèle géométrique. Si le canal n’est pas réciproque, l’algorithme d’estimation
peut être utilisé pour construire la matrice du canal de la liaison ascendante à la MS.
59
Comme résultat de la phase apprentissage/estimation de la liaison descendante, la BS

possède une connaissance estimée de sa matrice ÂTX et celle de la MS ÂRX et le vecteur
des gains estimés des trajets. Ainsi, la BS peut construire la matrice du canal pour la
liaison descendante :
Ĥ = ÂRX diag(α̂)ÂH
TX (III.19)
La BS construit également les codeurs hybrides FRF et FBB . Le système applique un

ensemble de NRF vecteurs de beamforming analogique par le décodeur analogique FRF et
forme des combinaisons linéaires de ces vecteurs par le décodeur numérique FBB . Selon
la méthodologie en [58], le problème du calcul des codeurs est écrit comme :

(F?RF , F?BB ) = arg min Fopt − FRF FBB ,

F
h i h i
s.c. FRF ∈ Acan |1 6 ` 6 Ncan , i = 1, 2, ..., NRF
:,i :,`
2
FRF FBB = NS . (III.20)

F
Le problème est similaire à celui de l’équation(III.15). Les codeurs fRF et fBB peuvent être
calculés en utilisant l’algorithme 1 en remplaçant fres par Fres = Fopt et f ? par F? = Fopt .
Le processus détaillé du calcul des codeurs hybride est donné dans [58].
III.2.2 Éstimation du canal dans un système MU-MIMO massif
Dans cette partie, on s’intéresse au deuxième système candidat pour la 5G pour étudier
l’éstimation du canal sans contamination des pilotes dans la bande de 6 GHz. On considère
un réseau cellulaire dont chaque cellule représente un système MU-MIMO massif. La
BS exploite ses connaissances sur le canal de transmission pour créer des data stream
spatialement séparés pour chaque terminal. Le gain en efficacité spectrale obtenu par ce
multiplexage spatial dépend sur la taille des réseaux d’antennes utilisés et la justesse de
l’éstimation du canal au niveau de la BS. Par conséquent, la phase de l’éstimation du
canal de transmission est fondamentale pour le système.
Pour étudier l’éstimation du canal sans contamination des pilotes dans ce système,
nous utilisons l’algorithme 2D-ESPRIT unitaire proposé dans [30]. C’est un algorithme
qui n’est pas très couteux en calcul et assure l’éstimation conjointe des angles d’arrivée
60
et les angles de départ avec un accouplage automatique à partir de l’éstimation de la

signature spatiale proposée dans [66]. Dans cet algorithme, on paramétrise la signature
spatiale en terme des AOA et AOD en supposant l’utilisation des réseaux linéaires et
uniformes.
On considère une cellule unique constituée d’une BS munie d’un réseau d’antennes de
M éléments et K utilisateurs avec des équipements munis d’un réseau d’antennes de N
éléments (N < K < M ). Les réseaux d’antennes sont supposés linéaires et uniformes avec
un espacement inter-élément de λ/2.
Pour J échantillons, le signal reçu X[n] ∈ C J×N est donné par [30] :
X[n] = S[n]A[n] + W[n] (III.21)
Avec : S[n] ∈ CJ×M contient les symboles pilotes émis. A[n] ∈ CM ×N est la matrice de
signature spatiale. W[n] ∈ CJ×N est la matrice du bruit qui est supposé temporellement
et spatialement blanc avec une variance σ 2 pour chaque élément. On définit également :
 
1 ... 1
 
 exp(jπ sin φ1 ) ... exp(jπ sin φP )

Aφ =  (III.22)
 
.. .. 

 . . 

exp(jπ(N − 1) sin φ1 ) . . . exp(jπ(N − 1) sin φP )
 
1 ... 1
 
 exp(jπ sin θ1 ) ... exp(jπ sin θP )

Aθ =  (III.23)
 
.. .. 

 . . 

exp(jπ(N − 1) sin θ1 ) . . . exp(jπ(N − 1) sin θP )
∆α = diag([α1 , ..., αP ]T ) (III.24)
A[n] = Aφ ∆α ATθ ∈ CM ×N (III.25)
Pour extraire les AOA et AOD des différents trajets à partir de la matrice de signature
spatiale, on reformule le modèle du signal donné dans l’équation(III.21). On note ei,j ∈
Rj , i = 1, ..., j comme le vecteur de dimension j avec un 1 au ième élément et des zéros
61
aux autres. On obtient ainsi la matrice de transformation :

 
IL ⊗ e1,M T
 .. 
 ∈ RM L×M L
Γ=
 .  (III.26)
IL ⊗ eM,M T
Il en résulte que :
S(τ ) = S(τ )Γ (III.27)
A[n] = ΓT A[n] (III.28)
Cette reformulation présentée dans [30] est développée pour le cas d’un modèle du canal
constitué de L diffuseurs présents entre l’émetteur et le récepteur dont chacun contribue
avec ` trajets de sorte que la somme Li=1 `i = 1 représente le nombre total des trajets
P
de propagation. Dans notre travail, on utilise un modèle géométrique à P trajets entre

l’émetteur et le récepteur. Ceci revient simplement à considérer un seul diffuseur à P
trajets dans la reformulation précédente. Par conséquent, le modèle du signal utilisé pour
le problème d’estimation se simplifie en :
X[n] = S(n)A[n] + W[n] (III.29)
III.2.2.2 Éstimation des paramètres du canal
La structure d’invariance par décalage de la décomposition A[n] = Aφ ∆α [n]ATθ est

exploitée pour estimer conjointement les AOD et AOA par l’algorithme 2D-UESPRIT.
L’idée principale est décrite comme suit. Pour un certain m < N , on définit la matrice
Ai [n], j = 1, ..., m comme la matrice construite de la j ème à la (N − m + j)ème colonne de
la matrice A[n]. On construit la matrice de Hankel AH [n] en empilant m copies de Aj [n],
donc la matrice de Hankel est donnée par :
62
 
A1 [n]
 .  M m×(N −m+1)
AH [n] =  . 
 . ∈C (III.30)
Am [n]
On définit aussi les deux matrices :

 
1 ... 1
 
 exp(jπ sin θ1 ) ... exp(jπ sin θP ) 
Ȧθ = 
 
 .
.. .
..


 
exp(jπ(m − 1) sin θ1 ) . . . exp(jπ(m − 1) sin θP )
 
1 ... 1
 
 exp(jπ sin θ1 ) ... exp(jπ sin θP ) 
Äθ =  (III.31)
 
.. .. 

 . . 

exp(jπ(N − m) sin θ1 ) . . . exp(jπ(N − m) sin θP )
Donc, la matrice de Hankel peut-être exprimée par :
AH [n] = Aφ ∆α [n]ÄTφ (III.32)
On définit les matrices de sélection suivantes :
J1θ = (Im−1 , 0m−1 )

Jxθ = J1θ ⊗ I N
J2θ = (0m−1 , Im−1 )
Jyθ = J2θ ⊗ I N
J1φ = (IN −1 , 0N −1 )
Jxφ = I m ⊗ J1θ
J2φ = (0N −1 , IN −1 )
Jyφ = I m ⊗ J2θ (III.33)
Ou 0K ∈ RK désigne un vecteur rempli avec des zéros de dimension K. On applique ces
63
matrices de sélection à l’equation(III.30) :


 X [n] = J A [n]
φ xφ H
(III.34)
 Yφ [n] = Jyφ AH [n]
La décomposition de ces matrices nous donne :


 X [n] = J A [n]
θ xθ H
(III.35)
 Yθ [n] = Jyθ AH [n]
Avec : Axφ = J xφ Aφ et Axθ = J xθ Aθ . U et V dénotent les deux matrices diagonales

U = (exp(jπ sin θ1 ), ..., exp(jπ sin θP )) et V = (exp(jπ sin φ1 ), ..., exp(jπ sin φP )) respec-
tivement.
On applique alors l’algorithme 2D-UESPRIT [3] pour estimer les éléments des matrices
U et V à partir de lesquels on peut calculer directement les AOD et les AOA. De l’équation
(III.35), on écrit :
Yφ − λXφ = Axφ (V − λIP )∆α [n]ÄTθ

Yθ − λXφ = Axφ (U − λIP )∆α [n]ÄTθ (III.36)
Ce problème de décomposition en valeurs propres peut être résolu en cherchant les valeurs
propres non nulles des deux matrices X†θ Yθ et X†φ Yφ . Comme ces deux matrices possèdent
les mêmes vecteurs propres à cause du facteur ÄTθ , l’appariement correct est obtenu par
la diagonalisation conjointe suivante :
X†θ Yθ = T−1 U i T
X†φ Yφ = T−1 V i T (III.37)
Pour améliorer les performances de l’algorithme, des techniques d’extention des données
d’observation tels que le lissage spatial et la technique forward backward averaging (FBA)
[67], sont appliquées à la matrice AH [n]. Ceci est suivi par un traitement qui transforme
la matrice complexe en une matrice à valeurs réelles. On détaille dans les étapes suivantes
la procédure complète de l’éstimation conjointe des AOA et les AOD par ces techniques.
64
A- Étape 1 : Lissage spatial et FBA

Le lissage spatial [68] a été proposé à l’origine pour résoudre le problème d’esti-
mation des AOA dans la présence des signaux cohérents. Le lissage spatial permet
de décorréler les sources à la réception. Cette méthode est basée sur une subdivi-
sion du réseau principal de réception en sous-réseaux et moyenner les matrices des
sous-réseaux. En plus des hypothèses classiques sur les bruits (non corrélés avec les
signaux émis, non corrélés entre eux et de même puissance sur tous les capteurs),
cette méthode suppose que l’antenne de réception est linéaire et à capteurs équi-
distants. Il est évident que la méthode du lissage spatial augmente le temps et les
ressources de calcul. Cet inconvénient est néanmoins subordonné aux performances
des résultats qu’on désire obtenir [69].
L’algorithme ESPRIT emploie des sous réseaux décalés et identiques. Le FBA utilise
l’information à priori sur la symétrie des sous réseaux pour augmenter le nombre des
vecteurs de données disponibles et décorréler les signaux hautement corrélés. L’avan-
tage le plus important de la combinaison du FBA et l’algorithme ESPRIT est la ré-
duction de la complexité du calcul. Pour les entiers 2 ≤ m1 ≤ N et 1 ≤ m2 ≤ M −1,
on définit la matrice :
 
Ar,l [n] ... Ar,N −m1 +l [n]
 .. .. 
A(r,l) [n] = 
 . .  , 1 ≤ r ≤ m2 , 1 ≤ l ≤ m1 ,

AM −m2 +r,l [n] . . . AM −m2 +r,N −m1 +l [n]
(III.38)
Et on redéfinit la matrice de Hankel comme :
 
A(1,1) [n] . . . A(m2 ,1) [n]
 .. ..  ∈ Cm1 (M −m2 +1)×m2 (N −m1 +1)

AH [n] = 
 . .  (III.39)
(1,m1 ) (m2 ,m1 )
A [n] . . . A [n]
La matrice ΠN est définie comme la matrice identité I N avec un ordre inversé des
lignes. L’extension de la nouvelle matrice de Hankel par l’opération du BFA est
obtenue par :
Ac,H [n] = (AH [n], Πm1 (M −m2 +1) A∗H [n]) ∈ Cm1 (M −m2 +1)×2m2 (N −m1 +1)
T T
= (Aφ ∆γ [n]Äθ , Πm1 (M −m2 +1) A∗φ ∆∗γ [n](Äθ )∗ ) (III.40)
65
T
Ou Äθ = (ÄTθ , V ÄTθ , ..., V m2 −1 ÄTθ ) ∈ CP ×m2 (N −m1 +1)
On montre aussi que
Πm1 (M −m2 +1) A∗φ = (Πm1 (Ȧθ )∗ ) (Πm1 (M −m2 +1) A∗φ )
= (Ȧθ U −(m1 −1) ) (Aφ V −(M −m2 ) )
= (Ȧθ Aφ )U −(m1 −1) V −(M −m2 )
= (Aφ )U −(m1 −1) V −(M −m2 ) (III.41)
Äθ et Ȧθ sont définies dans (III.31) en remplaçant m par m1 . En substituant

l’equation(III.41) dans l’equation(III.40), on trouve :
Ac,H [n] = A1 A2
A1 = Aφ θ −(m1 −1)/2 φ−(M −m2 )/2
= (Ȧθ θ −(m1 −1)/2 ) (Aφ φ−(M −m2 )/2 )
¯ Ā
, Ȧ θ φ
T
A2 = (θ (m1 −1)/2 φ(M −m2 )/2 ∆γ [n]Äθ ,
T
θ −(m1 −1)/2 φ−(M −m2 )/2 ∆∗γ [n](Äθ )∗ ) (III.42)
B- Étape 2 : Traitement en réel (non complexe) et réduction du rang

Afin d’utiliser l’algorithme 2D-UESPRIT pour la diagonalisation conjointe dans le
but d’estimer les AOA et les AOD, le Traitement en réel (non complexe) est employé
pour transformer la matrice Ac,H [n] à une matrice à valeurs réelles en utilisant deux
matrices de transformation TL définies dans [30] comme :
TL = Qm1 ⊗ QM +m2 +1
 
Im2 (N −m1 +1) jIm2 (N −m1 +1)
TR =   (III.43)
Im2 (N −m1 +1) −jIm2 (N −m1 +1)
66
Les deux matrices unitaires Qm sont définies comme :

  
 IK jIK
√1


  , N = 2K
 2



 ΠK −jΠK
 
QN = IK 0 jIK (III.44)

  √ 
√1  0T 2 0Tk , N = 2K + 1


2 K

 


ΠK 0 −jΠK

¯ , on aura les
En raison de la propriété centro-symetrie conjuguée des matrices Ȧ θ
deux matrices réelles :
Dθ = QH ¯
m1 Ȧθ
Dφ = QH
M −m2 +1 Āθ (III.45)
Par conséquent, A1 et A2 deviennent des matrices à valeurs réelles A1,R et A2,R

par la multiplication à gauche et à droite par les matrices de transformation TL et
TR respectivement :
A1,R = TL A1
= Dθ Dφ (III.46)
A2,R = A2 TR
T
= 2(Re(θ (m1 −1)/2 φ(M −m2 )/2 ∆γ [n]Äθ ),
T
−Im(θ (m1 −1)/2 φ(M −m2 )/2 ∆γ [n]Äθ )) (III.47)
Ainsi la matrice de Hankel complexe Ae,H [n] peut-être transformée à la matrice

Ae,R [n] :
Ae,R [n] = TL Ae,H [n]TR

= A1,R A2,R (III.48)
Dans la prochaine étape, on utilise l’espace de dimension P engendré par A1,R pour
extraire l’information désirée sur les AOA et AOD. En pratique, Ae,R [n] est à rang
plein à cause du présence bruit. On applique donc la décomposition SVD à Ae,R [n] et
67
on utilise l’espace engendré par les P colonnes dominantes comme une approximation
de l’espace engendré par A1,R [n], c’est-à-dire A1,R = UR T avec T ∈ RP ×P .
C- Étape 3 : Application de l’algorithme 2D-UESPRIT

¯ et Ā , on peut
Grâce à la structure d’invariance par décalage présente dans Ȧ θ φ
obtenir les expressions suivantes :
Jxθ TH H
L TL A1 U = Jyθ TL TL A1
Jxφ TH
L TL A 1 V = Jyφ TH
L TL A 1 (III.49)
Ou Jxθ Jyθ Jxφ et Jyφ sont calculées comme indiqué dans l’équation (III.49) en rem-
plaçant m et M par m1 et NT − m2 + 1 respectivement. De l’équation (III.46), on
a:
Jxθ TH H
L A1,R U = Jyθ TL A1,R
Jxφ TH
L A1,R V = Jyφ TH
L A1,R (III.50)
En multipliant les deux termes des équations de l’équation (III.50) par QH

m1 −1 ⊗
QH
M −m2 +1 , on obtient :
(QH H
m1 −1 J1θ Qm1 ⊗ IM −m2 +1 )A1,R θ = (Qm1 −1 J2θ Qm1 ⊗ IM −m2 +1 )A1,R (III.51)
(Im1 ⊗ QH H
M −m2 J1φ QM −m2 +1 )A1,R φ = (Im1 ⊗ QM −m2 J2φ QM −m2 +1 )A1,R (III.52)
On définit :
Bθ = (QH
m1 −1 J1θ Qm1 ⊗ IM −m2 +1 )
= Bθ,R + jBθ,I
Bφ = (Im1 ⊗ QH
M −m2 J1φ QM −m2 +1 )
= Bφ,R + jBφ,I
θ̂ = diag(θ̂1 , ..., θ̂P )
φ̂ = diag(φ̂1 , ..., φ̂P ) (III.53)
En substituant l’equation (III.53) dans l’equation (III.51) et l’equation (III.52), on
68
trouve les deux expressions suivantes :
Bθ,R A1,R θ̂ = Bθ,I A1,R

Bφ,R A1,R φ̂ = Bφ,I A1,R (III.54)
Il en résulte que :
Tθ̂T−1 = (Bθ,R UR )† Bθ,I UR

Tφ̂T−1 = (Bφ,R UR )† Bφ,I UR (III.55)
On remarque que les deux matrices des termes à droite de l’équation (III.55)
possèdent les mêmes vecteurs propres. On déduit que les AOA et AOD peuvent
être estimés conjointement par une décomposition complexe en valeurs propres :
Λ = EIG((Bθ,R UR )† Bθ,I UR + j(Bφ,R UR )† Bφ,I UR )

θ̂ = Re(Λ)
φ̂ = Im(Λ) (III.56)
On voit bien dans l’équation (III.56) que les θ̂ et φ̂ correspondant aux mêmes
vecteurs propres, c’est-à-dire aux mêmes vecteurs colonnes de la matrice T, sont
associés aux mêmes trajets de propagation ce qui assure l’appareiement automatique
des AOA et AOD. Après l’obtention des valeurs estimées des AOD/AOA, on estime
les gains des trajets de propagation correspondants. Selon le modèle des données,
on écrit :
X = SÂ + W (III.57)
En utilisant l’orthogonalité des symboles pilotes, on obtient :
1 H 1
(S X) = Â + SH W
M M
ˆ α ÂTθ + 1 SH W
= Âφ ∆ (III.58)
M
En appliquant l’opérateur vec, on trouve :
1 H ˆ α ) + vec( 1 SH W)
vec( (S X)) = (Âφ ⊗ Âθ )vec(∆ (III.59)
M M
69
Ainsi, les gains sont donnés par :
ˆ α ) = (Âφ ⊗ Âθ )† [vec( 1 H 1

vec(∆ (S X)) − vec( SH W)] (III.60)
M M
III.2.2.3 Borne de Cramer-Rao
En supposant que les gains sont des paramètres inconnus et déterministes, la borne
de Cramar-Rao (CRB) des AOD/AOA est largement etudiée dans la littérature,
cette borne est donnée par [30] :
σ2 H ⊥ H −1
CRB(θ, φ) = Re(ΛHα D PA Λα D) ,
2
Λα = I2 ⊗ ∆α ,
P⊥ H −1
A = IM N − Aθ,φ (Aθ,φ Aθ,φ ) Aθ,φ ,
D = (A´θ Aφ , Aθ A´φ ),
daθ,1 daθ,P
A´θ = ( (θ), ..., (θ)),
dθ dθ
daφ,1 daφ,P
A´φ = ( (φ), ..., (φ)). (III.61)
dφ dφ
Avec Aθ,φ = Aθ Aφ
Après avoir estimé le canal de transmission, la BS précodent conjointement les don-
nées des tous les utilisateurs. La BS doit avoir une bonne estimation du canal pour
créer les trains de données (data stream) spatialement multiplexés pour chaque ter-
minal. Le codage des données se fait par un précodeur ZF (Zero Forcing). On utilise
le codeur ZF pour pouvoir évaluer les performances du système entier après la phase
d’estimation dans le chapitre suivant. La matrice de codage du précodeur ZF est
donnée par :
H H
F = (Ĥ Ĥ)−1 Ĥ (III.62)
Le precodeur ZF est utilisé dans la norme IIEEE 802.11n (MIMO). Il est utile pour
notre système car il permet de réduire l’interférence inter-symbole (ISI) ce qui est
utile lorsque l’ISI est significatif par rapport au bruit (canal radio mobile sélectif
en fréquence et présence de plusieurs utilisateurs). Les études sur les systèmes MU-
MIMO massifs [70] ont montré que cet égaliseur offre de bonnes performances pour
les valeurs élevées du SNR. Pour, les faibles SNR, ses performances s’améliorent en
augmentant le nombre des antennes utilisées dans la BS ce qui est valable à notre
70
système.
III.3 Éstimation du canal de transmission avec contamination des pilotes
Les symboles pilotes utilisés dans la phase de l’éstimation sont conçus pour être or-
thogonaux à l’intérieur d’une cellule pour éliminer l’interférence intra-cellule des pilotes.
Cependant, ils sont réutilisés par des utilisateurs dans les autres cellules. La réutilisation
des pilotes dans les cellules voisines cause l’interférence inter-cellules des pilotes pendant
la phase d’estimation du canal, connue sous le nom de contamination des pilotes. Le pire
des cas de la contamination des pilotes se produit lorsque des utilisateurs des cellules
différentes utilisent les mêmes séquences des pilotes orthogonaux.
Pour cette partie, on considère pour les deux systèmes candidats une configuration de
deux cellules voisines dont une de ces deux cellules souffre du problème d’interférence
inter-cellules durant la phase de l’éstimation.
III.3.1 Éstimation du canal dans un système MU-MIMO massif
Par rapport à un système d’onde millimétrique, la contamination des pilotes est un

problème significatif dans les systèmes MU-MIMO massifs. Nous étudions alors l’effet de
ce type d’interférence sur la qualité de l’éstimation puis sur les performances du système
entier.
Pour combattre la contamination des pilotes dans ce type des systèmes, nous propo-
sons la solution suivante. Nous employons l’algorithme BU-ESPRIT (Beamspace Unitary
ESPRIT) pour l’estimation des AOD/AOA puis on calcule les gains des différents tra-
jets. Ce canal contient les paramètres des trajets de propagation utiles, c’est-à-dire, ceux
qui viennent de l’utilisateur à l’intérieur de la cellule en question et les paramètres des
trajets qui viennent des cellules voisines. Nous proposons alors, pour distinguer les para-
mètres utiles, de comparer les valeurs des gains des trajets estimés et choisir ceux qui ont
les valeurs les plus significatives. Nous choisissons alors les AOD/AOA correspondants
en profitant de l’appareillement automatique des angles estimés garanti par l’algorithme
BU-ESPRIT. Par conséquent, nous arrivons à séparer les paramètres du canal désiré des
autres paramètres.
L’algorithme B-UESPRIT a été développé dans [31] pour les radars MIMO bistatiques
en se basant sur la théorie des communications MIMO pour l’estimation des DOD et DOA
des signaux reçus bruités. Jusqu’à présent, plusieurs approches ont été proposées afin d’ob-
71
tenir cette estimation comme : Capon 2D, MUSIC 2D, RD-MUSIC (reduced-dimension
MUSIC). . . etc. L’inconvénient majeur de ces deux algorithmes est la complexité du cal-
cul due principalement à la recherche exhaustive des pics et la nécessité d’un algorithme
supplémentaire pour l’appariement des directions estimées. Par contre, l’algorithme B-
UESPRIT assure l’estimation des angles et un appariement automatique avec moins de
calcul.
On considère un système de deux cellules voisines. Chaque cellule représente un sys-

tème MU-MIMO massif avec une BS de N antennes réparties dans un réseau linéaire et
uniforme. Dans la cellule, on distingue K utilisateurs avec des équipements munis de M
antennes aussi réparties dans des réseaux linéaires et uniformes (M < K < N ). On s’in-
téresse au cas ou la BS reçoit les symboles pilotes de deux utilisateurs de deux cellules
différentes.
On suppose la présence de P trajets de propagation entre l’utilisateur et la BS. Le ième
trajet est donné par les angles θi et φi qui représentent l’angle du ième trajet par rapport à
la normale aux éléments du réseau d’antennes émettrice et réceptrice respectivement. On
note les symboles émis par l’j ème émetteur comme sj = [sj (1), ..., sj (L)]T , j = 0, ...., M − 1
Où L représente la longueur du symbole. Pour les P trajets donnés par les angles θi et φi ,
i = 1, . . . , P , le vecteur du signal reçu peut être écrit comme :



 r1 = h11 s1 + h12 s1 + ... + h1P s1 + h1(P +1) s2 + h1(P +2) s2 + ... + h1(2P ) s2 + w1

 r = h s + h s + ... + h s + h
2(P +1) s2 + h2(P +2) s2 + ... + h2(2P ) s2 + w2

2 21 1 22 1 2P 1
 .
.. .
..




rN = hN 1 s1 + hN 2 s1 + ... + hN P s1 + hN (P +1) s2 + hN (P +2) s2 + ... + hN (2P ) s2 + wN

   
s1 w1
.  
.  w 
.  2 
   . 
s   .. 
 1 
r(n) = H   +  .  (III.63)

s2   .. 
   
. 
 ..  wN −1 

   
s2 wN
72
Donc, on peut écrire :

r(n) = HS(n) + w(n) (III.64)
La matrice du canal est donnée selon le modèle géométrique par :
H = A(θ)diag(α)BT (φ)nal, (III.65)
A(θ) = [a(θi ), ..., a(θ2P )] est la matrice variété de l’antenne de réception (N × 2P ) ,

a(θi ) = [1, exp(jπ sin(θi )), ..., exp(jπ(N − 1) sin(θi ))]T est le vecteur variété de l’antenne
en réception (N × 1).
B(φ) = [b(φ1 ), ..., b(φ2P )] est la matrice variété de l’antenne d’émission (M × 2P ) et
b(φi ) = [1, exp(jπ sin(φi )), ..., exp(jπ(N − 1) sin(φi ))]T est le vecteur variété de l’antenne
en émission (M × 1).
diag(α) indique une matrice diagonale construite par le vecteur α = [α1 , ..., α2P ] avec
α1 , ..., α2P dénotent les gains des différents trajets de propagation.
S(n) = [s1 ...s1 s2 ...s2 ]T est le vecteur (2P × 1) des symboles pilotes émis. Il représente les
| {z }| {z }
P f ois P f ois
n oN
répliques des pilotes émis à travers les différents trajets. Les vecteurs du bruit w(n)
n=1
sont indépendants et suivent une distribution gaussienne complexe w ∼ N c (0, σ 2 IN ) (sup-
posés spatialement et temporellement blancs). On se met au pire des cas ou la BS reçoit
les mêmes symboles pilotes des deux utilisateurs : s1 = s2 = s donc on obtient le vecteur
de taille (2P × 1).
S(n) = [s...s s...s ]T On écrit le signal reçu comme :
|{z} |{z}
P f oisP f ois
r(n) = Aθ diag(α)AH
φ S(n) + W(n) (III.66)
La sortie du filtre adapté du récepteur est :
J
1X
y = r(n)S(n)H
J n=1
J
1X
= HS(n)S(n)H + w(n)S(n)H (III.67)
J n=1
73
L’orthogonalité des symboles implique que :
J
1X
IJ = S(n)S(n)H (III.68)
J n=1
avec IJ est la matrice identité de taille J. après simplification de l’équation (III.67), on

obtient :
z = vec(y)
J
1X
= vec(H) + vec( w(n)S(n)H )
J n=1
J
T 1X
= vec(A(θ)diag(α)B (φ)) + vec( w(n)S(n)H )
J n=1
J
1X
= (A(θ) ⊗ B(φ))vec(diag(α)) + vec( w(n)S(n)H ) (III.69)
J n=1
On obtient alors le modèle du signal :
X(n) = Ag + v(n) (III.70)
Avec :
A = [a(θ1 ) ⊗ b(φ1 ), ..., a(θ2P ) ⊗ b(φ2P )] est une matrice de taille M N × 4 ? P 2 .
g = [α1 , ..., αp ]T est un vecteur de taille 2P × 1 qui contient les gains des différents
trajets. v est la sortie du filtre adapté du vecteur bruit qui suit une distribution gaussienne
complexe v ∼ N c (0, σ 2 IM N). En utilisant la notation du produit Khatri-Rao, on peut
réécrire l’équation (III.70) sous la forme :
x(n) = A(θ) ◦ B(φ)g + v(n). (III.71)
Pour J échantillons, le modèle de l’équation (III.70) peut être exprimé sous forme matri-
cielle :
X = AG + V (III.72)
74
III.3.1.2 Éstimation des paramètres du canal
On commence par l’application de l’algorithme BU-ESPRIT pour estimer les

AOA/AOD. Puis, on utilise ces valeurs pour estimer les gains des trajets.
A- Éstimation conjointe des AOD/AOA

La matrice DFT centro-symétrique conjuguée est utilisée comme la matrices trans-
formées beamspace pour concevoir la structure de l’invariance rotationnelle de la
transformation du beamspace.
Soient WrH et WtH les matrices transformées beamspace de réception et d’émission
respectivement. Leurs mème ligne est donnée par [71] :
H
Wr,m = ej((N −1)/2)m(2π/N ) [1, e−jm(2π/N ) , ..., e−j(N −1)m(2π/N ) ], m = 0, ..., N −1 (III.73)
H
Wr,m = ej((M −1)/2)m(2π/M ) [1, e−jm(2π/M ) , ..., e−j(M −1)m(2π/M ) ], m = 0, ..., N − 1
(III.74)
Chaque ligne représente un beam DFT dirigé à une fréquence spatiale µ = m(2π/N )
et ν = m(2π/M ) pour WrH et WtH respectivement. Les formats beamspace de
réception et d’émission sont définis par Br = WrH Ar et Bt = WtH At respectivement.
Les formats beamspace final est par conséquent donné par :
B = WH A
= Br ⊗ Bt
= WrH Ar ⊗ WtH At (III.75)
En utilisant la propriété du produit de Kronecker suivante (A ⊗ B)(C ⊗ D) =

AC ⊗ BD, on obtient la matrice de beamspace transformée finale
WH = WrH ⊗ WtH (III.76)
W est une matrice de taille Kt Kr ×M N avec Kt etKr représentent le nombre des fais-
ceaux d’émission et de réception respectivement. Le signal reçu est redéfini comme :
Y(t) = WH AG + V̄
= BG + V̄ (III.77)
75
Avec V̄ = WH V est le format beamspace. On considère le beamspace bruit du

récepteur Br = [br (µ1 ), ..., br (µp )], µp = π sin(θp ). La pème composante du Br est
br (µp ) = [br,0 (µp ), ..., br,N −1 (µp )]T et le mème élément du br (µp )est
H
br,m (µp ) = wr,m a(θp )
sin[(N/2)(µp − m(2π/N ))]
= (III.78)
sin[(1/2)(µp − m(2π/N ))]
Les deux composantes adjacentes du br (µp ) sont liées par [72]
1 2π 1 2π
sin[ (µp − m )]br,m (µp ) + sin[ (µp − (m + 1) )]br,m+1 (µp ) = 0 (III.79)
2 N 2 N
Vu que les faisceaux d’indices m = 0 et m = N − 1 sont dirigés aux fréquences

spatiales µp,0 = 0 et
2π
µp,N −1 − 2π = (N − 1)( ) − 2π
N
2π
= − (III.80)
N
ou les deux faisceaux sont physiquement adjacents, on observe :
sin[(N/2)(µp − N (2π/N ))]

bN (µp ) =
sin[(1/2)(µp − N (2π/N ))]
sin((N/2)µp − N π)
=
sin((1/2)µp − π)
(−1)N sin((N/2)µp )
=
− sin((1/2)µp )
= (−1)N .b0 (µp ) (III.81)
Le premier et le dernier élément de br (µp ) sont reliés par l’équation
µp π π π
tan( ) cos(m )br,m (µp ) + cos((m + 1) )br,m+1 (µp ) = sin(m )br,m (µp )
2 N N N
π
+ sin((m + 1) )br,m+1 (µp )
N
(III.82)
En posant m = N − 1 :
µp π π
) cos((N − 1) )br,N −1 (µp ) + cos(π)(−1)N −1 br,0 (µp )

tan( = sin((N − 1) )br,N −1 (µp )
2 N N
+ sin(π)(−1)N −1 br,0 (µp )
(III.83)
76
Ainsi, toutes les N équations (0 ≤ m ≤ N − 1) mènent à une relation d’invariance

pour br (µp ) comme suit :
µp
tan( )Γ1 br (µp ) = Γ2 br (µp ) (III.84)
2
Avec Γ1 et Γ2 sont deux matrices de sélection définies comme :

 1 π )
cos( N 0 0 ... 0 0

0 π
cos( N ) cos( 2π ) 0 ... 0 0
N
cos( 2π cos( 3π
 0 0 ) ) ... 0 0

N N
Γ1 =  (III.85)
 
. . . . . .
. . . . . .

 . . . . . . . 
(N −2)π (N −1)π
0 0 0 0 ... cos( N
) cos( N
)
(N −1)π
(−1)N 0 0 0 ... 0 cos( N
)
 
π
0 sin( N ) 0 0 ... 0 0
π
0 sin( N ) sin( 2π
N
) 0 ... 0 0 
 
0 0 sin( 2π
N
) sin( 3π
N
) ... 0 0 
Γ2 = 
 ... .. .. .. .. ..
 (III.86)
. . . . . .

 
0 (N −2)π (N −1)π 
0 0 0 ... sin( N
) sin( N
)
(N −1)π
0 0 0 0 ... 0 sin( N
)
Pour 2P trajets, l’équation (III.84) devient la relation de la matrice de beamspace

en réception :
Γ1 Br Ωµ = Γ2 Br (III.87)

Avec Ωµ = diag tan(µ1 /2), ..., tan(µp /2)} est une matrice à valeurs réelles dont les
éléments diagonaux contiennent l’information sur les DOA. De même, on trouve la
relation de la matrice de beamspace en émission :
Γ3 Bt Ων = Γ4 Bt (III.88)
Avec Γ3 et Γ4 sont définies de façon similaire à Γ1 et Γ2 en remplaçant N par M et

Ων = diag tan(ν1 /2), ..., tan(νp /2)}, νp = π sin(θp ) est une matrice à valeurs réelles
dont les éléments diagonaux contiennent l’information sur les DOD. En utilisant la
propriété précédente du produit de Kronecker, on trouve que :
Γµ1 BΩµ = Γµ2 B

Γν1 BΩν = Γν2 B (III.89)
Avec Γµ1 = Γ1 ⊗ IM et Γµ2 = Γ2 ⊗ IM sont les matrices de sélection de beamspace
77
en réception, Γν1 = IN ⊗ Γ3 et Γν2 = IN ⊗ Γ4 sont les matrices de sélection de

beamspace en émission.
Selon le signal reçu défini dans l’equation(III.57), la matrice du sous-espace signal
(M N × 2P ) peut être formée par les 2P vecteurs singuliers gauches les plus grands
de la matrice à valeurs réelles [Re(Y), Im(Y)]. Le sous-espace signal Es peut être
engendré par la matrice B :
Es = BT (III.90)
Avec T est une matrice (2P ×2P ) à valeurs réelles. De l’équation (III.89) et (III.90),
on trouve :
Γµ1 Es Ψµ = Γµ2 Es
Γν1 Es Ψν = Γν2 Es (III.91)
Avec :
Ψµ = T−1 Ωµ T
Ψν = T−1 Ων T (III.92)
L’appariement automatique de l’éstimation des fréquences spatiales µ et ν est obtenu

par :
Ψµ + jΨν = T−1 Ωµ + jΩν }T

(III.93)

Donc la partie réelle et imaginaire des valeurs propres Ωµ + jΩν } forment l’ésti-

mation des µ, νp }, p = 1, ..., 2P et ainsi les DOD et DOA des trajets sont donnés
par :
( )
2 arctan[Ων ]p
θ̂p = arcsin , p = 1, ..., 2P
π
( )
2 arctan[Ωµ ]p
φ̂p = arcsin , p = 1, ..., 2P (III.94)
π
B- Éstimation des gains des trajets

L’algorithme de BU-ESPRIT ne s’intéresse pas à l’éstimation des gains des trajets
vu qu’il est développé pour les applications radar. Dans notre cas, l’éstimation de
ce paramètre est indispensable pour pouvoir résoudre le problème de contamination
78
des pilotes.
Après avoir estimé les angles de départ et d’arrivée, on peut estimer les gains des
trajets en résolvant l’équation suivante :
X(n) = Âĝ(n) + v(n) (III.95)
Ou Â est construite comme la matrice A en utilisant les angles estimés. Les gains
estimés des trajets sont donnés alors par :
†
ĝ(n) = Â X(n) (III.96)
L’estimation des angles de départ, les angles d’arrivée et les gains peut être récapi-
tulée dans les étapes suivantes
(a) Transformer la matrice des données reçues X en Y = WH X
(b) Calculer la décomposition en valeurs singulières de la matrice [Re(Y), Im(Y)].

Les P vecteurs singuliers gauches dominants forment la matrice E s .
(c) Calculer les matrices Ψµ et Ψν en résolvant les systèmes des équations

Γµ1 Es Ψµ = Γµ2 Es et Γν1 Es Ψν = Γν2 Es respectivement en utilisant l’algo-
rithme des moindres carrés.
(d) Calculer la décomposition en valeurs propres de la matrice Ψµ + jΨν .
(e) Les DOD et DOA qui sont appariées automatiquement sont données par les
solutions des équations
( )
θ̂p = arcsin 2 arctan[Ων ]p /π
( )
φ̂p = arcsin 2 arctan[Ωµ ]p /π
†
(f) Calculer les gains des trajets donnés par l’équation ĝ(n) = Â X(n)
C- Élimination de contamination des pilotes

À ce stage, nous avons estimé les AOD/AOA et les gains de tous les trajets de
propagation reçus par la BS qui constituent le canal utile et le canal d’interférence.
Dans l’étape suivante, nous comparerons les gains des différents trajets et nous choi-
sissons ceux qui ont les plus grandes valeurs. Ces gains correspondent aux distances
79
les plus proches de propagation entre la MS et la BS qui constituent nécessairement

les trajets désirés. Ce raisonnement est basé sur le modèle du path loss qui spécifie
que les pertes de propagation augmentent avec la distance parcourue par l’onde et
au fait que la MS à l’intérieur de la cellule est plus proche que celle de la cellule
voisine. Il se peut que les trajets de la cellule voisine possèdent des gains plus élevés
que ceux de la cellule considérée selon les conditions de propagation. Ceci produira
des erreurs dans la phase d’estimation. Si le nombre des trajets dans la cellule n’est
pas connu à priori, il doit être estimé [73] surtout au cas ou les valeurs des gains
estimés sont très proches. Après avoir déterminé le canal de transmission entre l’uti-
lisateur et la BS, cette dernière utilise le précodeur ZF pour transmettre les données
aux utilisateurs comme expliqué dans le cas de l’estimation sans contamination des
pilotes.
III.3.2 Éstimation du canal dans un système d’onde millimétrique
Bien que la propagation des ondes millimétriques est caractérisée par un path loss
important, la contamination des pilotes reste une possibilité à cause de la densification
des cellules dans un environnement urbain. Particulièrement dans la phase d’éstimation du
canal, une cellule peut recevoir les mêmes symboles pilotes d’un utilisateur d’une cellule
adjacente ce qui introduit des erreurs dans l’éstimation du canal entre la BS et la MS
dans la cellule concernée.
Comme l’orthogonalité des polarisations duales n’est pas fortement affectée lors de la
propagation des ondes millimétriques [74], on propose, pour éliminer la contamination
des pilotes, d’exploiter la diversité en polarisation en utilisant des types de polarisation
différents (horizontale ou verticale) pour deux cellules adjacentes dans la transmission des
symboles pilotes du MS vers la BS Où vice-versa.
Théoriquement, une antenne polarisée horizontalement n’est pas sensible aux signaux
polarisés verticalement et vice versa. Une antenne peut être conçue pour transmettre
ou recevoir avec une seule polarisation. Cependant, la polarisation des ondes qui seront
transmises ou reçues peut être affectée pendant la propagation (pertes de dépolarisation)
ou par la nature imparfaite des antennes. Ce phénomène est modélisé par un angle de
décalage de polarisation θp [74] qui mesure les pertes introduites par le changement de
polarisation du signal émis par l’antenne.
Selon le modèle du système hybride et sans exploiter la diversité en polarisation, le
80
signal des pilotes reçu par la BS de la cellule A dans la première phase d’estimation est
donné par l’expression :
r = H1 FT 1 s1 + H2 FT 2 s2 + n (III.97)
Avec : H1 et H2 sont les matrices du canal entre la BS de la cellule A et l’utilisateur de

la cellule A et B respectivement.
FT 1 et FT 2 sont les matrices de précodage hybride utilisées au niveau des MS . s1 et s2
sont les symboles pilotes émis par les utilisateurs de la cellule A et B respectivement et
captés par la BS de la cellule A.
Dans le cas où les deux utilisateurs envoient les mêmes symboles pilotes, le signal devient :
r = (H1 FT 1 + H2 FT 2 )s1 + n (III.98)
À partir de cette expression, on voit que le mélange des deux signaux rend difficile l’és-
timation du bon canal d’où l’intérêt de l’utilisation de deux polarisations orthogonales.
L’expression du signal reçu avec deux polarisations orthogonales devient alors :
π
r = H1 FT 1 (s1 cos(θp )) + H2 FT 2 (s1 cos( − θp )) + n (III.99)
2
Avec θp est l’angle de décalage de polarisation entre l’émetteur et le récepteur. Ça repré-
sente les pertes dues à la dépolarisation de l’onde lors de sa propagation. Le premier terme
représente la transmission des symboles entre deux réseaux d’antennes de la même pola-
risation horizontale (H-H) alors que le deuxième terme représente la transmission entre
deux polarisations différentes (V-H).
Comme les ondes millimétriques sont généralement faiblement dépolarisées [74], c’est-à-
dire, l’angle θp aura des faibles valeurs, le deuxième terme qui représente le signal transmis
avec une polarisation différente de celle de la BS est beaucoup plus faible que le premier
terme qui représente le signal transmis avec la même polarisation de la BS. On arrive
ainsi à séparer les deux signaux des symboles pilotes identiques. Ensuite, on applique
l’algorithme 5 pour estimer les paramètres du canal mmWave, à savoir, les AOD/AOA
et les gains des trajets de propagation entre la BS et la MS à l’intérieur de la cellule en
rejetant les trajets qui arrivent de l’extérieur de la cellule.
81
III.4 Conclusion
Dans ce chapitre, nous avons abordé quelques techniques et algorithmes à utiliser afin
d’estimer le canal de transmission dans deux systèmes possibles pour un futur réseau
cellulaire 5G. Pour les deux systèmes, nous avons étudié l’estimation en présence et en
absence de contamination des pilotes. Concernant le système mmWave, nous avons choisi
l’utilisation des algorithmes basés sur la théorie de CS adaptative parce qu’ils sont com-
patibles avec la nature du canal mmWave et offrent une complexité du calcul réduite
surtout avec la dimension importante de la matrice du canal à cause du grand nombre
des antennes utilisées dans la BS et la MS. Pour le scénario d’estimation sans contami-
nation des pilotes, nous avons introduit deux modifications aux algorithmes d’estimation
d’un canal à un trajet et un canal à trajet multiple. La première modification consiste à
changer la méthode du choix des intervalles des AOD/AOA susceptibles de correspondre
aux trajets qu’on veut estimer. La nouvelle méthode est basée directement sur l’amélio-
ration de la construction de la matrice de détection de la technique de CS en utilisant la
propriété d’isométrie restreinte. La deuxième modification concerne le cas multitrajet ou
nous avons proposé de refaire les étapes de la phase d’apprentissage et sélectionner les
AOD/AOA qui se répètent le plus pour minimiser les erreurs d’estimation des AOD/AOA
et améliorer les performances de l’algorithme. Cette opération est désignée par « le vote
majoritaire ». Pour le scénario d’estimation avec contamination des pilotes, nous avons
formulé un modèle pour les signaux des pilotes polarisés en se basant sur des travaux
trouvés dans la littérature sur l’angle de décalage de polarisation. Ensuite, nous avons
utilisé ce modèle pour exploiter la diversité en polarisation afin d’éliminer la contamina-
tion des pilotes dans un système cellulaire mmWave. Pour le système MU-MIMO massif,
nous avons utilisé l’algorithme 2D-UESPRIT pour estimer le canal de transmission à 6
GHz sans contamination des pilotes. Nous avons également proposé une méthode ba-
sée sur l’algorithme BU-ESPRIT et l’estimation des gains des trajets pour combattre la
contamination des pilotes dans un tel système.
82
EMP IV.Résultats de simulation
CHAPITRE IV
RÉSULTATS DE SIMULATION
83
IV.1 Introdution
Ce chapitre présente les résultats des simulations numériques effectuées sous MATLAB
pour différents scénarios afin d’évaluer les performances des algorithmes étudiés dans le
chapitre précédent. Nous commençons par les simulations effectuées pour le système MU-
MIMO massif. Puis, nous consacrons la plus grande partie du chapitre pour l’étude des
performances des algorithmes d’éstimation du canal mmWave pour répondre aux exigences
du cahier de charge.
IV.2 Cas d’un système MU-MIMO massif
IV.2.1 Éstimation du canal sans contamination des pilotes
Dans cette partie, on s’intéresse au deuxième système candidat pour la 5G. On consi-
dère uniquement une cellule d’un système MIMO massif multi-utilisateur (MU-MIMO).
Le système est constitué d’une BS équipée d’un large réseau d’antennes et plusieurs uti-
lisateurs à l’intérieur de la cellule. Le réseau d’antennes est uniforme et linéaire avec un
espacement de λ/2 entre les éléments du réseau. Le système fonctionne avec une puissance
d’émission de 30 dBm, une fréquence porteuse de 6 GHz et une largeur de bande du signal
de 100 MHz. Les différents utilisateurs utilisent des symboles pilotes orthogonaux.
Pour le canal, on considère le modèle géométrique avec 3 trajets de propagation. Les
angles de départ et d’arrivée sont uniformément distribués entre 0 et 2π. L’éstimation
des paramètres du canal est faite en utilisant l’algorithme 2D-UESPRIT. Après avoir
éstimé ces paramètres, le modèle géométrique du canal est reconstruit et utilisé pour la
construction du précodeur linéaire au niveau de la BS.
Simulation 1
Pour cette simulation, on évalue la qualité de l’éstimation du canal par l’algorithme
2D-UESPRIT en calculant l’erreur quadratique moyenne (EQM) des paramètres éstimés
pour différentes valeurs du SNR. Le nombre d’antennes de la BS est pris M = 40. On
choisit le nombre des utilisateurs N = 10. L’EQM pour les trois paramètres est donnée
84
par :
v
L uR
1 t1
X u
X
EQM (θ) = (θ̂`,r − θ` )2
L `=1
R r=1
v
L u R
1 Xu 1X
EQM (φ) = t (φ̂`,r − φ` )2
L `=1 R r=1
v
L u R
1 Xu 1X
EQM (α) = t (α̂`,r − α` )2 (IV.1)
L `=1 R r=1
Avec θ` , φ` , α` et θ̂`,r , φ̂`,r α̂`,r représentent les DOA, DOD et les gains des trajets et
leurs éstimés respectivement. le nombre d’itération de Monté Carlo est fixé à R = 200 et
L le nombre des trajets de propagation fixé à L = 3.
(a) EQM des angles éstimés (b) EQM des gains éstimés
Figure IV.1 — Erreur quadratique moyenne obtenue pour l’algorithme 2D-

UESPRIT
Les figures (IV.1(a), IV.1(b)) montrent l’EQM de l’éstimation des DOA, DOD (a) et
les gains des trajets (b). Ces résultats sont obtenus pour 200 itérations de Monte-Carlo.
L’éstimation des paramètres du canal par l’algorithme 2D-UESPRIT est démontrée pour
être valide. En particulier, l’algorithme est proche du CRB pour les grandes valeurs du
SNR. Pour améliorer les performances de l’algorithme pour les faibles valeurs du SNR,
on peut augmenter le nombre des observations de la matrice de signature spatiale. Du
fait que les symboles pilotes sont périodiquement retransmis dans le système, la précision
de l’éstimation des DOD et DOA et par conséquent celle des gains des trajets peut être
améliorée en moyennant les éstimations des DOD et DOA obtenues dans le temps de
cohérence du canal.
85
Simulation 2
Pour les mêmes valeurs du SN R de la simulation précédente, on calcule l’EQM des
trois paramètres pour différentes valeurs du nombre d’antennes de la BS. On se contente
de l’étude de l’éstimation des angles pour cette simulation du fait que le calcul des gains
dépend directement des angles éstimés. L’EQM de l’éstimation des angles est donnée par :
v
L u R
1 X u1 X
EQM = t (θ̂`,r − θ` )2 + (φ̂`,r − φ` )2 (IV.2)
L `=1 R r=1
Figure IV.2 — Erreur quadratique moyenne pour différentes valeurs de M
La figure (IV.2) indique que l’éstimation des paramètres du canal s’améliore graduel-
lement avec le nombre d’antennes de la BS parce que plus d’échantillons spatiaux sont
utilisés .
Simulation 3
Dans cette simulation, on s’intéresse à l’évaluation des performances du système en-
tier BS-utilisateurs sans interférence inter-cellule. La BS possède 40 antennes. La cellule
contient 10 utilisateurs. Chaque utilisateur reçoit un paquet de 1000 bits par trame. Les
courbes sont obtenues pour 100 itérations de Monté Carlo. Après avoir éstimé la matrice
du canal par l’algorithme 2D-UESPRIT, cette matrice est utilisée dans la BS pour calculer
la matrice de précodage correspondante par le précodeur ZF puis les données sont trans-
86
mises vers les utilisateurs dans la liaison descendante. La figure (IV.3) montre l’évolution
Figure IV.3 — Taux d’erreur binaire obenu pour l’algorithme 2D-UESPRIT
du BER en fonction du SNR. Ces valeurs du BER sont obtenues sans aucun traitement
des données au niveau du récepteur et en se limitant au codage effectué au niveau de la
BS sans ajouter un code correcteur d’erreur. Ainsi, les résultats obtenus sont acceptables.
IV.2.2 Éstimation du canal avec contamination des pilotes
On considère un système constitué de deux cellules adjacentes A et B. Chaque cellule est

un système MU-MIMO massif. On suppose avoir une interférence entre deux utilisateurs
de deux cellules différentes et qui utilisent simultanément les mêmes symboles pilotes. On
note d la distance qui sépare l’utilisateur de la cellule B de la BS de la cellule A. On
cherche alors à étudier l’effet de cette interférence sur la phase de l’éstimation du canal de
l’utilisateur de la cellule A et puis on évalue la qualité du service offert dans cette cellule en
terme du BER en présence de cette contamination des pilotes. On rappelle qu’il s’agit d’un
environnement urbain caractérisé par une densification des cellules de petits rayons donc
le phénomène de contamination des pilotes est fortement probable ce qui peut dégrader
l’éstimation du canal. On utilise toujours le modèle géométrique pour modéliser les deux
canaux en question : le canal entre la BS de la cellule A et l’utilisateur dans cette cellule
et celui entre la BS et l’utilisateur de la cellule B. Ces deux canaux possèdent des valeurs
du path loss différentes à cause de la différence en distance BS-MS. Les angles de départ
87
et d’arrivée sont uniformément distribués entre 0 et 2π. L’algorithme BU-ESPRIT est

utilisé pour éstimer les paramètres du modèle géométrique du canal. Après avoir éstimé
les paramètres du modèle du canal désiré, ce dernier est reconstruit et utilisé pour la
construction du précodeur linéaire au niveau de la BS pour transmettre les données aux
utilisateurs de la cellule A
Simulation 1
À travers cette première simulation, on examine la justesse de l’éstimation du canal
par l’algorithme BU-ESPRIT en présence d’une contamination des pilotes en calculant
l’EQM de l’éstimation des trois paramètres du canal utile. On suppose que l’utilisateur
de la cellule A est éloigné de 50 m de sa BS alors que l’utilisateur de l’autre cellule est à
150 m de la BS de la cellule A qui contient un nombre d’antennes M = 40. L’EQM pour
les trois paramètres est donnée par l’équation (IV.1).
(a) EQM des angles éstimés (b) EQM des gains éstimés
Figure IV.4 — Erreur quadratique moyenne obtenue pour l’algorithme BU-ESPRIT
Les figures (IV.4(a), IV.4(b)) représentent l’EQM des DOD, DOA (a) et les gains
des trajets (b) calculés en présence et en absence de la contamination des pilotes. Ce
dernier cas est calculé pour les mêmes paramètres du système d’une seule cellule avec une
distance de 50 m entre l’utilisateur et la BS. Les résultats sont obtenus pour 200 itérations
de Monte-Carlo. On remarque que l’EQM obtenue avec une interférence inter-cellule est
légèrement supérieure à celle obtenue sans aucune interférence entre les deux cellules. On
peut dire alors que l’algorithme BU-ESPRIT a pu rejeter l’effet de l’interférence entre les
symboles pilotes identiques sans causer une grande erreur supplémentaire sur l’éstimation.
On note aussi que le comportement de l’algorithme d’éstimation est similaire dans les deux
cas considérés pour les différentes valeurs du SNR.
88
Simulation 2
On calcule le BER correspondant à la liaison descendante entre la BS et l’utilisateur
dans la cellule A avec et sans contamination des pilotes pour les mêmes paramètres décrits
dans la simulation précédente. Une fois le canal est éstimé, la matrice de précodage est
calculée au niveau de la BS en adaptant un précodeur ZF.
Figure IV.5 — Taux d’erreur binaire obenu pour l’algorithme BU-ESPRIT
La figure (IV.5) confirme les résultats obtenus dans la simulation précédente. Elle
montre que le BER du système avec le problème de contamination des pilotes est légère-
ment supérieur à celui obtenu pour une seule cellule. On rappelle que ces résultats sont
obtenus sans effectuer aucun traitement supplémentaire sur le signal reçu au niveau du
récepteur. Le seul traitement est effectué dans la BS sous forme d’un précodage ZF. Ainsi,
on peut confirmer que l’interférence entre les pilotes des deux cellules n’a pas trop affecté
l’éstimation du canal de transmission par l’algorithme BU-ESPRIT est par conséquent la
transmission des données vers l’utilisateur victime de l’interférence.
Simulation 3
On s’intéresse à l’étude de l’effet de la distance entre la BS de la cellule A et l’utilisateur
de la cellule B qui produit l’interférence. On suppose d’abord que cet utilisateur se trouve
entre les deux cellules à d = 150m. Puis, l’utilisateur est à l’intérieur de la cellule B
89
adjacente à d = 170m. Enfin, on positionne l’utilisateur à d = 120m. Cette dernière

distance implique que l’utilisateur de la cellule B est désormais à l’intérieur de la cellule
A. Ce cas est bien possible à cause du recouvrement des cellules dans certains réseaux.
On évalue alors le BER du système entier pour les trois distances différentes.
La figure (IV.6) montre que le BER dépend de la distance séparant la BS de l’utilisateur
Figure IV.6 — Taux d’erreur binaire pour différentes valeurs de distance BS-MS
perturbant. Plus l’utilisateur s’approche de la BS, plus la puissance reçue de ses symboles
pilotes interférents devient importante et comme l’algorithme est basé sur le choix des
trajets dont les gains sont les plus élevés, il se peut que l’utilisateur se trouve suffisamment
proche de la BS, selon les conditions de propagation dans les deux cellules, que le gain
d’un ou plusieurs de ses trajets devient plus important que celui des trajets de l’utilisateur
à l’intérieur de la cellule ce qui implique une éstimation erronée du canal de transmission
et donc l’augmentation du BER du système. Les résultats de la simulation montrent des
performances similaires pour les différentes distances ce qui implique qu’on a réussi avec
la méthode proposée de combattre le problème de contamination des pilotes même avec
des petites distances d.
90
IV.3 Cas d’un système mmWave
IV.3.1 Éstimation du canal sans contamination des pilotes
On considère seulement une cellule à un seul utilisateur du système cellulaire mmWave

en supposant que l’interférence inter-cellule est négligeable dans cette partie. Cette sup-
position est justifiée pour le cas des ondes millimétriques grâce à l’atténuation rapide de
ces ondes ce qui permet la réutilisation des fréquences de la bande millimétrique dans des
cellules de petits rayons.
On adopte l’architecture hybride analogique/numérique du système présentée dans le
troisième chapitre. S’il n’est pas indiqué autrement, la distance qui sépare la MS du
BS est de 50 mètres. La BS possède 64 antennes, 10 chaines RF et utilise une puissance
d’émission de 37 dBm. La MS emploie 32 antennes et 6 chaines RF. Les réseaux d’antennes
sont uniformes et linéaires avec un espacement de λ/2 entre les éléments du réseau. Les
déphaseurs RF possèdent uniquement des phases quantifiées. Ainsi, seulement un nombre
fini des vecteurs de beamforming analogique est possible. On suppose un nombre des
data-Stream NS = 3.
Pour le canal, on considère le modèle géométrique décrit dans le deuxième chapitre
avec le gain moyen en puissance P̄R = 1 et un nombre des trajets L = 3. Les angles de
départ et d’arrivée sont uniformément distribués entre 0 et 2π. Le système fonctionne à
une fréquence porteuse de 28 GHz avec une largeur de bande de 100 MHz et un exposant
du path loss npl = 3. L’éstimation des paramètres du canal est faite en utilisant les deux
algorithmes présentés dans le troisième chapitre. Après avoir éstimé ces paramètres, le
modèle géométrique du canal est reconstruit et utilisé pour la conception des précodeurs
et décodeurs hybrides.
Simulation 1
On évalue l’efficacité spectrale du système donnée selon [29] par la formule :
ρ −1 ? ?
R = log2 (|INS + R WBB WRF HFRF FBB × F?BB F?RF H ? WRF WBB |) (IV.3)
NS n
Avec Rn = σn2 WBB

? ?
WRF WRF WBB est la matrice de covariance du bruit après le déco-
dage hybride. Le calcul de l’efficacité spectrale se fait pour des faibles valeurs du SN R
caractérisant les systèmes mmWave pour un canal éstimé et un canal supposé parfaitement
connu. Pour les algorithmes d’éstimation, on utilise le même paramètre de résolution pour
91
les angles V = 64 et le même nombre des vecteurs de beamforming K = 2 dans chaque

étape durant la phase d’apprentissage.
Figure IV.7 — Efficacité spectrale obtenue pour le système d’onde millimétrique
La figure (IV.7) montre que l’efficacité spectrale augmente avec l’amélioration du SN R

ce qui est conforme aux autres systèmes de communication numérique, mais le système
étudié offre des débits plus importants que ceux obtenus par les systèmes d’anciennes
générations. Par exemple, pour un SN R de -10 dB, l’efficacité spectrale avoisine 11.2
b/s/Hz pour l’algorithme 3. Cela signifie qu’il est possible de transmettre 1.12 Gb/s dans
un canal de largeur de 100 MHz pour cette valeur du SNR.
On note aussi que les débits atteints par l’algorithme 3 sont plus élevés et avoisinent
ceux enregistrés dans le cas d’une connaissance parfaite du canal. Ceci revient au fait
que l’éstimation des angles dans l’algorithme 3 est améliorée et plus précise grâce à deux
facteurs principaux : la modification du critère de choix de l’intervalle qui contient le plus
probablement les trajets de propagation comme expliqué dans le troisième chapite et la
répétition des étapes de la phase d’apprentissage pour minimiser l’erreur de l’éstimation (le
vote majoritaire). Cette amélioration est surement couteuse en termes de temps de calcul ;
l’algorithme 3 nécessite 9 étapes pour la phase d’apprentissage alors que l’algorithme sans
modification ne nécessite que 6 étapes.
Dans la figure (IV.8), on enlève la répétition des étapes de la phase d’apprentissage et on
92
trouve que l’algorithme 3 est toujours plus performant avec le même coût en termes de
temps de calcul (6 étapes dans la phase d’apprentissage).
Figure IV.8 — Efficacité spectrale atteinte avec l’algorithme modifié sans répétition
dans la phase d’apprentissage
Simulation 2
Dans cette simulation, on étudie l’évolution de l’efficacité spectrale du système en
fonction de la distance qui sépare la MS de la BS à l’intérieur de la cellule. L’éstimation
des paramètres du canal est effectuée en utilisant l’algorithme 3. Les autres paramètres
du système sont inchangés. Les résultats trouvés sont représentés dans la figure (IV.9).
On voit que l’efficacité spectrale du système dépend de la distance entre la BS et la

MS. Plus la distance augmente, plus la puissance reçue diminue rapidement pour le cas
des ondes millimétriques ce qui réduit la zone de couverture de la cellule et limite son
rayon. Par conséquent, les utilisateurs qui se trouvent loin de la BS peuvent subir une
diminution du débit offert. Ceci n’est pas forcément un inconvénient parce que ça permet
la réutilisation de la même bande plus souvent en utilisant des microcellules. De plus,
la BS peut utiliser des algorithmes qui adaptent la puissance émise selon les conditions
de propagations d’un utilisateur particulier. Ces algorithmes sont déjà utilisés dans la
3G en se basant sur l’indicateur de qualité du canal (CQI). On note particulièrement
93
Figure IV.9 — Variation de l’efficacité spectrale en fonction de la distance BS-MS
la dégradation des performances du système pour une distance supérieure à 200 mètres
(des débits inférieurs à 1 Gb/s) ce qui limite la taille de la cellule. Ce résultat est en
concordance avec les données de la compagne des mesures prises à la ville de New York à
28 GHz décrite dans le deuxième chapitre [37].
Simulation 3
On calcule le BER du système pour des faibles valeurs du SN R allant de -40 à 0 dB en
utilisant les deux algorithmes d’éstimation figure (IV.10). L’équipement de l’utilisateur
se trouve à 50 mètres de la BS. Le scénario de cette simulation est comme suit : La MS
envoie les symboles pilotes à la BS à travers le canal. Durant la phase d’apprentissage, la
BS effectue les calculs nécessaires pour éstimer la matrice H du canal en question. Une fois
l’éstimation est terminée, la BS et la MS utilisent la matrice éstimée de H pour construire
les matrices de précodage et décodage hybrides respectivement. On utilise une modulation
QPSK. Les symboles donnés sont envoyés sur 3 data Stream dont chacun contient 100000
bits.
Comme les systèmes de communication classiques, le BER diminue en améliorant le
SNR. On remarque que le système arrive à atteindre des valeurs du BER de l’ordre de
10−3 à 10−4 même si le signal est noyé dans le bruit. Ceci est possible grâce à deux facteurs
principaux. D’abord, la phase d’apprentissage constituée de plusieurs étapes où on a une
94
Figure IV.10 — BER du système hybride obtenu par l’algorithme d’éstimation avec
et sans modification
transmission bilatérale itérative des symboles pilotes entre la MS et la BS jusqu’à l’obten-

tion de l’éstimation des DOD et DOA avec la résolution désirée. Une bonne éstimation
du canal conduit alors à la construction adéquate des matrices hybrides FT et WT . Le
deuxième facteur réside dans l’utilisation du beamforming, après la fin de l’éstimation du
canal, qui permet de focaliser l’énergie du signal émis dans des faisceaux avec des largeurs
prédéfinies et dirigés vers le récepteur pour combattre l’atténuation rapide des ondes mil-
limétriques en profitant du gain obtenu par l’utilisation des larges réseaux d’antennes et
les techniques du beamforming.
On note aussi dans la figure (IV.10) que le BER obtenu en utilisant l’algorithme d’és-
timation modifiée est plus faible que celui obtenu sans modification de l’algorithme. Ce
dernier est limité à un taux d’erreur de 0.05 comme indiqué dans [29] et confirmé dans
cette simulation, parce qu’on s’est intéressé plus à l’augmentation du débit du système
tout en garantissant un taux d’erreur qui ne dépasse pas 0,05. Dans l’algorithme 3, la
modification introduite agit directement sur la méthode utilisée pour choisir la bonne
répartition des DOD et DOA qui contient le plus probablement possible les trajets de
propagation ce qui diminue l’erreur de l’éstimation et par conséquent avoir un BER plus
faible pour le système entier.
95
Simulation 4
Pour un SN R de 0 dB, on étudie l’effet de la quantification des déphaseurs analogiques
sur les performances du système en terme du débit atteint. On varie alors le nombre des
bits de quantification des phases pour agir sur le nombre des phases permises et ainsi le
nombre des vecteurs utilisé pour le beamforming analogique. Les résultats sont représentés
dans la figure (IV.11).
Figure IV.11 — Evolution du débit en fonction des bits de quantification des phases
La figure (IV.11) illustre les débits atteints par le système en fonction du nombre
des bits qui contrôlent les déphaseurs utilisés dans le beamforming analogique. La figure
indique qu’un nombre limité des bits est suffisant pour atteindre des valeurs élevées du
débit et ainsi le contrôle arbitraire des phases n’est pas primordial pour avoir un débit
élevé. De plus, la figure montre que 6 bits de quantification sont suffisants pour avoir plus
de 90% du gain maximal. La réduction du nombre des bits de quantification fait abaisser
le nombre des précodeurs ou décodeurs RF ce qui réduit la taille du dictionnaire et ainsi
accélère la phase de l’éstimation du canal. Dans la figure (IV.12), l’impact des limitations
de la partie RF du système sur les performances du système est évalué. On considère
deux systèmes, le premier avec 10 chaines RF pour la BS et 6 chaines RF pour la MS. Le
deuxième avec 5 chaines RF pour la BS et 3 chines RF pour la MS. Les débits de ces deux
systèmes sont calculés pour différents nombres des bits de quantification des déphaseurs
96
analogiques. Les résultats de simulation montrent que des valeurs du débit élevé peuvent
être atteintes pour un nombre suffisant des chaines RF et des bits de quantification.
Figure IV.12 — Impact des limitations RF du système hybride
Simulation 5
Cette simulation concerne uniquement l’algorithme 3. On cherche à trouver le nombre
minimal des répétitions suggérées pour la phase d’apprentissage pour s’approcher le plus
possible des performances d’un canal parfaitement connu sans trop allonger la durée de
la phase de l’éstimation. Les résultats sont donnés pour un SN R = 0dB.
La figure (IV.13) montre que plus le nombre de répétitions de la phase d’apprentissage

augmente, plus on s’approche de l’efficacité spectrale obtenue par une connaissance par-
faite du canal. En effet, ces répétitions permettent de choisir les angles qui se répètent
le plus pour chaque étape de la phase d’apprentissage (le vote majoritaire) et ainsi mi-
nimiser l’erreur de l’éstimation, mais ceci est réalisé au détriment du temps de calcul de
l’éstimé de la matrice H du canal. Par exemple, faire 3 répétitions revient à effectuer 9
étapes dans la phase d’apprentissage et 12 étapes pour 4 répétitions. En outre, le gain en
efficacité spectrale entre 3 et 4 répétitions n’est pas très important (environ 1 b/s/Hz) et
même avec seulement 3 répétitions on obtient de meilleures performances par rapport à
97
Figure IV.13 — Effet du nombre des répétitions des étapes de la phase d’appren-
tissage
l’ancien algorithme. On déduit alors que la valeur minimale suffisante pour le paramètre
du nombre de répétitions est 3.
Simulation 6
Pour l’algorithme 3, on fixe le paramètre du nombre de répétitions à 3 et on modifie le
nombre des vecteurs de beamforming utilisé dans chaque étape de la phase d’apprentissage.
On montre dans la figure (IV.14) l’influence de ce paramètre sur l’efficacité spectrale du
système.
On enregistre des performances médiocres pour K = 2. En effet, le canal à éstimer

est multi-trajet. Donc, un faible nombre des vecteurs de beamforming implique un faible
nombre des répartitions des DOD et DOA entre 0 et 2π ce qui se traduit par un risque
d’avoir plus d’un trajet dans le même intervalle des DOD et DOA et donc perdre l’ésti-
mation des trajets supplémentaires dans la première étape de la phase d’apprentissage.
Pour vérifier ceci, on représente dans la figure (IV.15) l’efficacité spectrale obtenue dans
les mêmes conditions pour un canal à un seul trajet de propagation. On voit bien que
K = 2 est suffisant pour avoir une efficacité spectrale proche de celle donnée par le canal
réel. On note aussi que l’efficacité spectrale obtenue par un seul trajet de propagation est
inférieure à celle obtenue pour un canal multi trajets.
98
Figure IV.14 — Effet du nombre du vecteur de beamforming sur l’efficacité spec-

trale
Figure IV.15 — Efficacité spectrale pour un canal à un trajet avec K = 2
Pour le cas multi-trajets, plus le paramètre K augmente, plus on approche de l’efficacité

spectrale du canal parfait, mais cette augmentation a un effet négatif sur la taille de la
matrice dictionnaire utilisée dans chaque étape de la phase d’apprentissage. À partir des
99
simulations (3) et (4), on conclut qu’on a un compromis à faire entre les performances
désirées, le nombre des vecteurs du beamforming utilisé et le nombre de répétitions dans
la phase d’apprentissage. Ce sont des paramètres internes du système hybride à ajuster
selon le service (débit) à offrir, les conditions de propagation, la distance entre la BS et
la MS,. . . etc. pour le reste des simulations, on fixe ces paramètres à 3 répétitions dans la
phase d’apprentissage et 4 vecteurs de beamforming dans chaque étape.
Simulation 7
Dans cette simulation, on cherche à étudier l’effet du nombre des antennes dans l’équipe-
ment de l’utilisateur sur les performances du système et plus précisément le débit maximal
qu’on peut atteindre. On calcule alors le débit pour différents nombres d’antennes N au
récepteur. La figure (IV.16) montre les résultats trouvés pour un SN R = 0dB en utilisant
l’algorithme 3 avec les paramètres trouvés en simulation 4.
On remarque que la diminution du nombre d’antennes N fait baisser le débit de l’utili-
Figure IV.16 — Variation de l’efficacité spectrale en fonction du nombre d’antennes

de l’utilisateur
sateur parce que le nombre réduit des antennes utilisées implique une perte en gain du
beamforming, une réduction du nombre des data stream qu’on peut recevoir et traiter
simultanément et donc une dégradation des performances du système. De plus, on peut
dire qu’un nombre d’antennes de N = 10 peut garantir un débit supérieur à 1 Gb/s pour
des valeurs de SN R supérieures à -5 dB. La détermination de ce paramètre est essentielle
100
pour la conception des équipements qui vont être utilisés dans les systèmes hybrides futurs
de la 5G.
Simulation 8
On trace l’évolution de l’efficacité spectrale en fonction du nombre d’antennes M uti-
lisées dans la BS pour un SN R = 0dB en utilisant l’algorithme 3 avec les paramètres
trouvés en simulation 4.
La figure (IV.17) indique que l’augmentation du nombre d’antennes dans la BS améliore
Figure IV.17 — Variation de l’efficacité spectrale en fonction du nombre d’antennes

de la BS
l’efficacité spectrale du système et donc le débit offert à l’utilisateur à l’intérieur de la

cellule. On enregistre, par exemple, pour un SN R de -5 dB un débit de 2.8 Gb/s pour
M = 512 et un débit de 3.7 Gb/s pour M = 1024. Lorsque le nombre des antennes
M augmente, le gain obtenu par le beamforming en utilisant un large réseau d’antennes
hautement directionnelles devient important ce qui améliore les performances du système.
Plus précisément, l’augmentation du nombre d’antennes de la BS permet de former des
faisceaux plus étroits ce qui réduit l’interférence entre les utilisateurs et permet d’en-
voyer des données différentes sur des faisceaux multiples pour le même utilisateur afin
d’augmenter son débit.
Au contraire au cas du nombre d’antennes du récepteur, on peut augmenter le nombre
d’antennes de la BS sans contraintes d’espace ou d’encombrement en utilisant des grands
101
réseaux d’antennes avec un nombre élevé des éléments dans le réseau grâce aux faibles
dimensions des antennes dans la bande millimétrique. On peut par exemple juste installer
un réseau d’antennes sur les murs externes des bâtiments.
On peut bénéficier du grand nombre d’antennes de la BS autrement. On envoie les
mêmes données à l’utilisateur sur les différents faisceaux (beam). Le grand nombre d’an-
tennes permet comme indiqué de former un nombre élevé des faisceaux étroits donc il
est possible de multiplier le nombre des data stream dirigés vers l’utilisateur portant les
mêmes données pour réduire les erreurs de transmission.
Simulation 9
Pour cette simulation, on considère le système avec l’algorithme 3 et les paramètres
trouvés en simulation 4. On calcule l’efficacité spectrale pour 3 valeurs différentes du
nombre de data Stream envoyé à l’utilisateur durant la liaison descendante.
Les résultats de la figure (IV.18) montrent qu’on peut atteindre des valeurs significatives
Figure IV.18 — Variation de l’efficacité spectrale en fonction du nombre des data

stream
de l’efficacité spectrale via un ou deux data Stream et des valeurs proches du cas d’un canal
parfait pour trois data Stream. Dans cette simulation, on envoie des données différentes
dans chaque data stream pour le même utilisateur pour augmenter son débit.
102
Simulation 10
Pour cette dernière simulation, on évalue les performances du système hybride en
terme de l’efficacité spectrale et le BER à la fréquence de 73 GHz.
(a) Efficaicté spectrale obtenue à 28 et 73 GHz (b) Taux d’erreur binaire obtenue à 28 et 73 GHz
Figure IV.19 — Performances du système cellulaire mmWave dans les bandes 28

et 73 GHz
Les deux figure IV.19(a) et IV.19(b) montrent que les performances du système hybride
fonctionnant à 28 et 73 GHz en terme du BER et de l’efficacité spectrale sont proches.
Le premier est un peu plus performant que le deuxième à cause du path loss qui aug-
mente avec la fréquence. Le fait que les performances des deux systèmes sont comparables
peut etre expliqué par les résultats de l’étude décrite en chapitre 2 qui spécifie que les
caractéristiques de propagation sont similaires pour la bande de 28 et 73 GHz. De plus,
les paramètres de simulation pour les deux bandes sont identiques y compris la bande du
signal, c’est-à-dire, la seule différence est dans le path loss et ceci ne provoque pas des
grands changements. Un autre point important est qu’on peut utiliser dans la bande de
73 GHz un signal avec une largeur de bande plus large que 100 MHz et par conséquent
avoir un débit plus élevé.
Comme les deux bandes sont disponibles et ne sont pas encore exploitées pour le réseau
cellulaire, le choix entre les deux systèmes peut être fait selon l’équipement disponible et
le coût de déploiement du nouveau réseau.
IV.3.2 Éstimation du canal avec contamination des pilotes
On considère encore une fois le système hybride avec deux cellules adjacentes A et B
pour étudier le problème de contamination des pilotes pour le cas d’un système fonction-
103
nant aux ondes millimétriques. Il est vrai qu’on a supposé dans le début de ce chapitre
que l’interférence inter-cellule est négligeable pour la bande millimétrique à cause des ca-
ractéristiques de propagation de ces ondes, mais le nombre élevé des cellules compactes
de tailles réduites augmente le risque d’interférence entre les cellules. On cherche alors à
analyser la sévérité de ce phénomène sur la phase de l’éstimation pour un système d’onde
millimétrique.
Le scénario des simulations : Les deux cellules travaillent avec deux polarisations
orthogonales : l’une est horizontale (cellule A) et l’autre est verticale (cellule B). La BS
contient 64 antennes et 16 chaines RF. Les deux MS contiennent 32 antennes et 8 chaines
RF. Les réseaux d’antennes sont linéaires et uniformes, avec un espacement entre les
antennes de λ/2. Pendant la phase d’éstimation du canal, la cellule A reçoit les mêmes
symboles pilotes de deux utilisateurs différents : un utilisateur se trouve dans la cellule
A à une distance de 70 m et l’autre se trouve dans la cellule B à une distance de 100 m
de la BS de la cellule A. comme la BS de la cellule A reçoit les mêmes symboles pilotes à
travers deux canaux différents (H1 et H2 ), on utilise l’orthogonalité de polarisation des
deux signaux reçus pour différentier entre les deux pilotes et éstimer le bon canal (H1 ).
L’algorithme (5) est utilisé pour l’éstimation du canal. Puis, on calcule les matrices de
codage et décodage hybrides.
Le modèle du canal : on considère le modèle géométrique du canal, avec un nombre

de trajets L = 6. On suppose que chaque utilisateur contribue avec 3 trajets. Les angles
de départ et d’arrivée sont uniformément distribués dans [0; 2π]. Le système fonctionne à
une fréquence porteuse de 28 GHz, à une largeur de bande passante de 100 MHz.
Simulation 1
On évalue l’efficacité spectrale et le BER obtenus dans la cellule A pour différents
angles de décalage de polarisation θp entre les antennes émettrices et réceptrices. Comme
les ondes millimétriques sont généralement faiblement dépolarisées [74], on utilise des
faibles valeurs pour l’angle θp dans la simulation.
La figure IV.20(a) montre que l’efficacité spectrale est légèrement affectée par l’inter-
férence causée par les symboles émis de la cellule B. On note aussi que plus l’angle θp
augmente, plus l’efficacité spectrale diminue par une moyenne de 1 b/s/Hz pour 10◦ de
104
(a) Efficaicté spectrale obtenue pour différentes va- (b) Taux d’erreur binaire pour différentes valeurs
leurs de décalage de polarisation de décalage de polarisation
Figure IV.20 — Performances du système cellulaire mmWave avec contamination

des pilotes
décalage de polarisation ce qui réduit faiblement le débit offert aux utilisateurs de la cel-
lule A.
La figure IV.20(b) représente le BER en fonction du SN R pour différents angles de dé-
calage de polarisation θp . On voit clairement que les performances du système pour les
différents angles θp sont similaires ce qui confirme l’effet négligeable de la contamination
des pilotes sur le fonctionnement du système pour les ondes millimétriques.
Simulation 2
On évalue l’efficacité spectrale du système en présence d’interférence pour différentes
valeurs de distance entre la BS de la cellule A et la MS de la cellule B : 70,100 et 110 m.
On note qu’on utilise des valeurs de distance plus faibles que celles utilisées dans le cas
du système à 6 GHz à cause de la taille réduite des cellules et l’atténuation rapide des
ondes millimétriques. Les résultats sont donnés pour un angle de décalage de polarisation
de 10◦ .
On remarque de la figure (IV.21) que l’efficacité spectrale diminue quand la MS de la
cellule B s’approche de plus en plus de la BS de la cellule A. Lorsque la MS de la cellule
B s’approche vers la BS d’une position à 110 m à une autre position à 70 m, l’efficacité
spectrale diminue par presque 2 b/s/Hz. Ceci confirme que la contamination des pilotes
pour le système d’onde millimétrique ne pose pas un grand problème.
105
Figure IV.21 — Efficaicté spectrale obtenue pour différentes distances BS-MS in-
terférent
IV.4 Comparaison entre les deux systèmes candidats
Les deux systèmes considérés dans ces simulations représentent des bons candidats pour
un réseau cellulaire 5G. Du point de vue complexité de l’architecture, le système massive
MU-MIMO semble être le moins complexe avec une architecture classique et ne nécessite
pas d’apporter des modifications à l’équipement de l’usager. Par contre, le système hybride
exige d’équiper l’appareil mobile par des réseaux d’antennes pour réaliser le beamforming.
Le BER donné par le système hybride est prometteur étant donné la plage des valeurs du
SN R du fonctionnement du système. Celui du système travaillant à 6 GHz est acceptable
vu l

Langue

Rapport Corrigé 5G

Transféré par

Informations du document

Titre original

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Rapport Corrigé 5G

Transféré par

Droits d'auteur :

MINISTERE DE LA DEFENSE NATIONALE

ECOLE MILITAIRE POLYTECHNIQUE

A mon Père A ma mère

À mes sœurs, mon frère, mon petit-neveu Haithem, ma cousine et à

Liste des Figures xv

Liste des Tableaux xvi

II Caractéstiques de propagation du Canal mmWave 22

II.4 Caractéristiques de propagation des ondes millimétriques . . . . . . . . . . 26

III Estimation du canal de transmission 42

III.3.1.1 Modèle du système . . . . . . . . . . . . . . . . . . . . . . 72

Conclusion et perspectives 108

ABF Analog Beamforming

EHF Extrêmement Haute Fréquence

MMS Multimedia Messaging Service

WINNER I Wireless World Initiative New RadioI

diag(A) Vecteur colonne contenant les élément diagonaux .

I.1 Evolution des réseaux cellulaires . . . . . . . . . . . . . . . . . . . . . . . 7

II.1 Bandes spectrales disponibles au dela de 20 GHz [33] . . . . . . . . . . . . 24

III.1 Modèle du système cellulaire mmWave [29] . . . . . . . . . . . . . . . . . 44

IV.1 Erreur quadratique moyenne obtenue pour l’algorithme 2D-UESPRIT . . 85

IV.6 Taux d’erreur binaire pour différentes valeurs de distance BS-MS . . . . . 90

II.1 Pertes de pénétration de quelques matériaux de construction à 28 GHz [17] 31

Ce mémoire est subdivisé en quatre chapitres organisés de la manière suivante :

I.2 Évolution des réseaux cellulaires

Figure I.1 — Evolution des réseaux cellulaires

large que celle utilisée dans la 4G (20 MHz).

I.4 Architectures possibles pour un système 5G

Figure I.3 — MIMO massif vs système mmWave [5]

I.4.1 Système MU-MIMO massif

La technologie MIMO multi-utilisateur a été incorporée dans la version 8 du standard

gains spectaculaires en efficacité spectrale et énergétique en réduisant l’énergie d’émission

Figure I.4 — Système MU-MIMO massif utilisant le multiplexage spatial [8]

tiales pour chaque utilisateur

I.4.2 Système cellulaire mmWave

(a) Réseau hybride 4G/mmWave (b) Réseau mmWave de petites cellules

Figure I.5 — Architectures possibles d’un réseau cellulaire mmWave [4]

L’idée fondamentale du beamforming analogique est d’appliquer des coefficients

(a) DBF (b) ABF

Figure I.6 — Beamforming analogique et numérique [13]

(I.7) montre l’architecture hybride d’un ensemble émetteur-récepteur du système

I.5 Techniques de modulation possibles pour la 5G

Figure I.8 — Implémentation de la GFDM [4]

d’augmentation de la complexité du système. La FBMC n’exige ni l’orthogonalité ni

I.6 Défis de recherches pour la 5G

1. Indisponibilité des modèles du canal : Le développement des systèmes mm-

terminaux pour atteindre cette directivité.

5. Standardisation : Ils existent déjà plusieurs forums et projets dédiés à la recherche

I.7 État de l’Art de l’estimation du canal pour un système 5G

de beamforming analogique dans le système sans connaitre le canal de transmission au

émission et en réception sont proposés. Ces algorithmes prennent en considération des

L’industrie cellulaire s’est concentrée la plupart du temps sur la recherche du nouveau

II.2 Spectre et impératifs de normalisation

Figure II.1 — Bandes spectrales disponibles au dela de 20 GHz [33]

• La bande de 28 GHz (27.5–29.5 GHz) : Les sous-bandes de 27.5– 28.35 GHz

II.3 Quelques activités de recherches sur la bande des ondes millimétriques

II.3.1 Travaux du laboratoire de Rutherford Appleton (RAL)

possède un autre programme de recherche sur les interférences qui se produisent à 38

II.3.2 Travaux du centre de recherche de France Telecom (CNET)

II.3.3 Travaux effectués aux Etats Unis

II.4 Caractéristiques de propagation des ondes millimétriques

spectre des ondes millimétriques.

II.4.1 Propagation en éspace libre

Figure II.2 — Vérification expérimentale du path loss [41]

II.4.2 Absorption atmosphérique

II.4.3 Atténuation par la pluie