Académique Documents
Professionnel Documents
Culture Documents
Antennes :
Applications et Outils
Mohamed Siala
2
Contexte et Enoncé du Problème 1/9
3
Contexte et Enoncé du Problème 2/9
4
Contexte et Enoncé du Problème 3/9
5
Contexte et Enoncé du Problème 4/9
6
Contexte et Enoncé du Problème 5/9
7
Contexte et Enoncé du Problème 6/9
9
Contexte et Enoncé du Problème 8/9
10
Contexte et Enoncé du Problème 9/9
• Pour simplifier les notations, on introduit les vecteurs, de longueur 𝐿𝑁, suivants :
𝐲[1] 𝐱[1] 𝐰[1]
𝐲[2] 𝐱[2] 𝐰[2]
𝐲= , 𝐱= et 𝐰 = .
⋮ ⋮ ⋮
𝐲[𝑁] 𝐱[𝑁] 𝐰[𝑁]
11
Fondamentaux de la Détection du Signal 1/17
12
Fondamentaux de la Détection du Signal 2/17
13
Fondamentaux de la Détection du Signal 3/17
14
Fondamentaux de la Détection du Signal 4/17
15
Fondamentaux de la Détection du Signal 5/17
𝑝(𝐲|𝐻1 )
Λ 𝑦 = .
𝑝(𝐲|𝐻0 )
16
Fondamentaux de la Détection du Signal 6/17
17
Fondamentaux de la Détection du Signal 7/17
𝑝 𝐲 𝐻𝑖 = න 𝑝 𝐲 𝐻𝑖 , 𝛉 𝑝 𝛉 𝐻𝑖 𝑑𝛉
18
Fondamentaux de la Détection du Signal 8/17
19
Fondamentaux de la Détection du Signal 9/17
20
Fondamentaux de la Détection du Signal 10/17
2𝜂 𝐹 −1
𝜒2
1 − 𝑃𝐹𝐴
2𝑁𝐿
𝑃𝐷 = 𝑃𝑟 Λ 𝐲 > 𝜂|𝐻1 = 1 − 𝐹𝜒2 = 1 − 𝐹𝜒2 .
2𝑁𝐿 2
𝜎 +𝛾 2 2𝑁𝐿 𝛾2
1+
𝜎2
22
Fondamentaux de la Détection du Signal 12/17
𝑥 𝑘/2−1 𝑒 −𝑥/2
𝑘 𝑥 ≥ 0,
𝑓𝑘 𝑥 = 22 Γ(𝑘/2)
0, sinon.
23
Fondamentaux de la Détection du Signal 13/17
25
Fondamentaux de la Détection du Signal 15/17
26
Fondamentaux de la Détection du Signal 16/17
27
Fondamentaux de la Détection du Signal 17/17
29
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 2/26
• Les caractéristiques du signal émis peuvent être le résultat d'une redondance
ajoutée par codage, et de schémas de modulation et de formatage de trames
utilisés à l'émission.
• Exemples:
• Préfixes cycliques (Cyclic Prefix, CP) dans les modulations OFDM.
• Multiplexage ou superposition de symboles pilotes connus avec les données
transmises.
• Codage spatio-temporel introduisant une corrélation entre les signaux
transmis.
• Caractéristiques spécifiques dues au canal de propagation : Dans un système
MIMO, si le récepteur a plus d'antennes que l'émetteurs, alors les
échantillons reçus à un instant donné sont nécessairement corrélés.
30
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 3/26
• Détecteurs basés sur les propriétés de l’autocorrélation :
• On explique la détection basée sur des statistiques de second ordre en utilisant
des signaux OFDM comme exemple.
• Les signaux OFDM comportent une corrélation explicite imposée par l'insertion
d’un préfixe cyclique (CP) à l'émetteur.
𝑟𝑥 𝑛, 𝜏 = 𝐸 𝑥 ∗ 𝑛 𝑥[𝑛 + 𝜏] .
32
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 5/26
• Du fait de l'insertion du CP, le signal OFDM est non stationnaire.
• L'ACF 𝑟𝑥 [𝑛, 𝜏] est variable dans le temps.
• L’ ACF est non nulle pour un décalage en temps 𝜏 = 𝑁𝑑 pour certains instants
en temps 𝑛, et zéro pour d'autres.
𝑟Ƹ 𝑛 = 𝑦 ∗ 𝑛 𝑦 𝑛 + 𝑁𝑑 , 𝑛 = 1, 2, … , 𝐾 𝑁𝑐 + 𝑁𝑑 .
34
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 7/26
• Le bruit 𝑤[𝑛] est blanc et de moyenne nulle.
• 𝑟𝑤 [𝑛, 𝜏] = 0 pour tout 𝜏 ≠ 0.
• 𝑟𝑦 [𝑛, 𝑁𝑑 ] = 𝑟𝑥 [𝑛, 𝑁𝑑 ] puisque 𝑁𝑑 ≠ 0.
35
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 8/26
• Lorsque le récepteur s’intéresse à une seule durée symbole OFDM, il peut se
servir du test statistique :
𝜃+𝑁𝑐 𝐻1
max 𝑟[𝑛] Ƹ ≷ 𝜂.
𝜃
𝑛=𝜃+1 𝐻0
• La variable 𝜃 représente l’asynchronisme en temps.
• Ce test statistique permet de saisir la valeur «optimale» de 𝜃 puis de mesurer,
pour ce 𝜃, l’importance de la corrélation entre les valeurs de 𝑦[𝑛] espacées de
𝑁𝑑 échantillons.
• Afin de définir le seuil 𝜂, il faut connaître 𝜎 2 .
• Détecteur sensible au phénomène du mur de SNR.
36
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 9/26
• Lorsque le récepteur s’intéresse à 𝐾 durées symbole OFDM, il peut se servir du
test statistique :
𝜃+𝑁𝑐 𝐻1
max
𝑅[𝑛] ≷ 𝜂.
𝜃∈{0,1,…,𝑁𝑐 +𝑁𝑑 −1}
𝑛=𝜃+1 𝐻0
37
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 10/26
Exemples d’algorithmes de détection OFDM basés sur les statistiques du second ordre, et paramètres qui déterminent
leurs performances (pour chaque paramètre, « - » signifie que le détecteur n’a pas besoin de connaître le paramètre et
« x » signifie qu’il a besoin de le connaître).
𝐿𝑁 𝐻1
𝐲 2 1
𝟐 𝟐
Λ 𝑦 = 2 = 2 𝑦𝑖 2 ≷ 𝜂 (1)
Détecteur Test 𝝈 𝜸 𝑵𝒅 𝑵𝒄 𝜎 𝜎 𝐻0
𝑖=1
Energie (1) × − − −
σ𝑁 𝐻1
𝑛=1 ℛ𝑒 𝑟[𝑛]
Ƹ
CHAUDHAR et al. (2) − − × − ≷ 𝜂 (𝟐)
σ𝑁𝑛=1 𝑦 𝑛 2
𝐻0
AXELL (3) − − × ×
HUAWEI (4) × − × × 𝜃+𝑁𝑐 𝐻1
LEI × × × × max
𝑅[𝑛] ≷ 𝜂 (4)
𝜃∈{0,1,…,𝑁𝑐 +𝑁𝑑−1}
𝑛=𝜃+1 𝐻0
2 𝐻1
σ𝑛∈{1,…,𝑁𝑐+𝑁𝑑 } 𝑅 𝑛
max 2
≷ 𝜂 (3)
𝜃∈{0,1,…,𝑁𝑐 +𝑁𝑑 −1} 1 2
σ𝑛∈{𝜃+1,…,𝜃+𝑁𝑐} 𝑅 𝑛 − σ𝑖∈{𝜃+1,…,𝜃+𝑁𝑐} ℛ𝑒 𝑅 𝑖 + σ𝑛∉{𝜃+1,…,𝜃+𝑁𝑐} 𝑅 𝑛 𝐻0
𝑁𝑐 38
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 11/26
(2)
(4)
(3)
40
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 13/26
• Définition : Un processus stochastique 𝑦[𝑛] de moyenne nulle est dit
cyclostationnaire au second ordre si son ACF, 𝑟𝑦 𝑛, 𝜏 = 𝐸 [𝑦 ∗ [𝑛] 𝑦[𝑛 + 𝜏]], est
périodique en 𝑛, de période 𝑇.
• 𝑟𝑦 [𝑛, 𝜏] peut être exprimé par la série de FOURIER :
41
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 14/26
• Les coefficients de FOURIER dépendent du décalage temporel 𝜏 et sont donné par
:
𝑇−1
1
𝑅𝑦 𝛼,𝜏 = 𝑟𝑦 𝑛, 𝜏 𝑒 −𝑗2𝜋𝛼𝑛 .
𝑇
𝑛=0
42
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 15/26
• Le spectre cyclique du signal 𝑦[𝑛] est le coefficient de FOURIER :
𝑆𝑦 𝛼, 𝑓 = 𝑅𝑦 𝛼,𝜏 𝑒 −𝑗2𝜋𝜏𝑓 .
𝜏
43
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 16/26
• La propriété de cyclostationnarité apparaît à la fois dans l'ACF cyclique 𝑅𝑦 (𝛼, 𝜏)
et dans la fonction densité spectrale cyclique 𝑆𝑦 (𝛼, 𝑓).
• La détection de la cyclostationarité peut être effectuée à la fois dans le
domaine temporel et dans le domaine fréquentiel.
• L’autocorrélation cyclique est estimée par :
𝑁−1
1
𝑅𝑦 𝛼, 𝜏 = 𝑦 ∗ 𝑛 𝑦 𝑛 + 𝜏 𝑒 −𝑗2𝜋𝛼𝑛 .
𝑁
𝑛=0
44
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 17/26
• Détecteurs s’appuyant sur une structure spécifique de la matrice de covariance :
• Certains signaux de communication confèrent une structure spécifique à la
matrice de covariance du signal reçu.
• Exemples :
• Signal reçu par plusieurs antennes (cas SIMO et MIMO).
• Signal encodé avec un code espace-temps en bloc orthogonal (OSTBC).
• Signal OFDM.
45
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 18/26
• Sous l’hypothèse 𝐻1 , le signal reçu s’écrit comme :
𝐲 𝑛 = 𝐡𝑠 𝑛 + 𝐰 𝑛 , 𝑛 = 1, … , 𝑁.
46
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 19/26
• Ici 𝐡𝐡𝐻 est de rang un.
• 𝜆1 = 𝛾 2 𝒉 2 + 𝜎 2 et 𝜆2 = . . . = 𝜆𝐿 = 𝜎 2 .
• 𝚿 a deux valeurs propres distinctes avec multiplicités un et 𝐿 − 1,
respectivement.
• On introduit l’estimateur de la matrice de covariance suivant :
𝑁
1
=
𝐑 𝐲 𝑛 𝐲 𝑛 𝐻
.
𝑁
𝑛=1
47
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 20/26
, avec 𝐿 = 4
Exemple de valeurs propres triées de l’estimation de la matrice de covariance, 𝐑
𝛾2
(quatre antennes de réception), pour 𝑁 = 1000 et 𝑆𝑁𝑅 = 10 log10 𝜎2 = 0 dB.
48
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 21/26
• Lorsque le canal 𝐡 et les puissances 𝜎 2 et 𝛾 2 sont inconnus, le test
GLRT donne :
𝜈1 𝜈1 𝐻1
= 𝐿 ≷ 𝜂.
) σ𝑖=1 𝜈𝑖
tr(𝐑 𝐻 0
49
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 22/26
• Une structure de covariance similaire pourrait également être calculée pour une
suite temporelle d’échantillons.
• On calcule l’estimation de la matrice de covariance en considérant un suite
temporelle scalaire 𝑦[𝑛], 𝑛 = 1, 2, . . . , 𝑁, et en prenant
𝑇
𝐲 𝑛 = 𝑦 𝑛 ,𝑦 𝑛 + 1 ,...,𝑦 𝑛 + 𝐿 − 1 ,
50
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 23/26
• On considère maintenant le cas plus général où le signal reçu sous l’hypothèse 𝐻1
s’écrit comme :
𝐲 𝑛 = 𝐆𝐬 𝑛 + 𝐰 𝑛 , 𝑛 = 1, … , 𝑁,
où 𝐆 est une matrice de rang faible, et 𝐬[𝑛] ∼ 𝒩(𝟎, 𝛾 2 𝐈) est une séquence i.i.d.
• La matrice de covariance est 𝚿 = 𝛾 2 𝐆𝐆𝐻 + 𝜎 2 𝐈 sous l’hypothèse 𝐻1 , qui est une
structure « rang faible plus identité ».
• Exemples :
• Système à antennes multiples (MIMO), avec ou sans codage en bloc spatio-
temporel orthogonal.
• Signal OFDM.
51
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 24/26
52
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 25/26
• Pour le code d’ALAMOUTI, les quatre valeurs propres les plus grandes sont
significativement plus grand que les autres.
• Remarque 1 : Le nombre des valeurs propres est égal à 16 puisque le code
d’ALAMOUTI est codé sur deux intervalles de temps, et l'observation est divisée
en parties réelles et imaginaires.
• Remarque 2 : Les quatre valeurs propres les plus grandes sont égales, en raison
de l'orthogonalité du code.
53
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 26/26
• Pour le cas général MIMO, deux des valeurs propres sont plus grandes que les autres, car
la matrice de canal est de rang deux (il y a deux antennes d'émission).
54
Détection Coopérative de Spectre 1/14
55
Détection Coopérative de Spectre 2/14
56
Détection Coopérative de Spectre 3/14
57
Détection Coopérative de Spectre 4/14
𝐻0 : 𝐲𝑚 = 𝐰𝑚 , 𝑚 = 1, … , 𝑀,
𝐻1 : 𝐲𝑚 = 𝐱𝑚 + 𝐰𝑚 , 𝑚 = 1, … , 𝑀,
• On suppose que les signaux reçus par les différents détecteurs sont indépendants les uns
des autres.
• On introduit le vecteur :
𝐲1
𝐲2
𝐲= ⋮ .
𝐲𝑀
59
Détection Coopérative de Spectre 6/14
• Ici,
(𝑚)
𝑝(𝐲𝑚 |𝐻1 )
Λ = log
𝑝(𝐲𝑚 |𝐻0 )
60
Détection Coopérative de Spectre 7/14
2
• Lorsque les vecteurs de bruit 𝐰𝑚 sont indépendant, 𝐰𝑚 ~𝒩(0, 𝜎𝑚 𝐈), et les vecteurs de
2
signal 𝐱𝑚 sont indépendant, 𝐱𝑚 ~𝒩(0, 𝛾𝑚 𝐈) le rapport log-vraisemblance s’écrit :
𝑀
𝐲𝑚 2 𝛾𝑚2
2 2 2 .
𝜎𝑚 𝜎𝑚 + 𝛾𝑚
𝑚=1
• La statistique
2
𝐲𝑚
2
𝜎𝑚
est la décision souple d'une détection d'énergie au niveau du 𝑚-ème détecteur.
• Le schéma de coopération optimal consiste à utiliser la détection d'énergie pour les
capteurs individuels, et à combinez les décisions douces en utilisant une somme
pondérée.
61
Détection Coopérative de Spectre 8/14
• On suppose que les statistiques individuelles Λ(𝑚) sont quantifiées sur un seul bit, telles
que Λ(𝑚) ∈ 0, 1 représente maintenant la décision ferme du 𝑚-ème capteur :
• Λ(𝑚) = 1 signifie que le canal est occupé par le PU.
• Λ(𝑚) = 0 signifie que le canal du PU est considéré comme disponible.
• Le centre de fusion décide que le canal du PU est occupé si au moins 𝐶 des 𝑀 capteurs
ont détecté un signal, pour 1 ≤ 𝐶 ≤ 𝑀.
• Le centre de fusion décide sur 𝐻1 si
𝑀
Λ(𝑚) ≥ 𝐶.
𝑚=1
63
Détection Coopérative de Spectre 10/14
64
Détection Coopérative de Spectre 11/14
Décision selon la
logique ET optimale
Décision à la
majorité optimale
Décision selon la
logique OU optimale
65
Détection Coopérative de Spectre 12/14
66
Détection Coopérative de Spectre 13/14
𝑚
1
Λ 𝑡 = Λ 𝑚 𝑡 − 1 + Λ 𝑚′ 𝑡 − 1 ,
2
𝑚′
1
Λ 𝑡 = Λ 𝑚 𝑡 − 1 + Λ 𝑚′ 𝑡 − 1 .
2
•
𝑀
𝑡→∞ 1
𝚲 𝑡 =𝐖 𝑡 𝚲 𝑡−1 Λ(𝑚) 𝐈.
𝑀
𝑚=1
68