3°) Sondage de Canal - Mohamed Siala VF

Traitement du Signal et Multi-
Antennes :
Applications et Outils
Mohamed Siala
16, 17 et 18 Mars 2021

Programme
• I. Séparation de Sources MIMO

• II. Localisation de Mobiles
• III. Sondage de Canal
• IV. Techniques de Communication MIMO
2
Contexte et Enoncé du Problème 1/9
• Demande toujours croissante de débits de données dans les communications

sans fil + Ressources spectrales limitées ou sous-utilisées  Introduction de la
radio cognitive.
• Traditionnellement, le spectre sous licence est attribué sur des périodes de
temps relativement longues et est destiné à être utilisé uniquement par les
titulaires de licence.
• Organisations travaillant sur des normes d’attribution de fréquences:
International Telecommunication Union (ITU), European Telecommunications
Standards Institute (ETSI), European Conference of Postal and
Telecommunications Administrations (CEPT),...
3
• Diverses compagnes de mesures du taux d’utilisation du spectre  Ressources

inutilisées substantielles en fréquence, temps et espace.
• Radio cognitive : Exploitation des ressources spectrales sous-utilisées en
réutilisant le spectre inutilisé de manière opportuniste.
• Un système radio cognitif comporte :
• Des utilisateurs primaires (Primary Users ou PU) du spectre (titulaires de
licence).
• Des utilisateurs secondaires (Secondary Users ou SU) du spectre (qui
cherchent à utiliser le spectre quand et où les utilisateurs principaux sont
inactifs).
• Les ressources inutilisées sont souvent appelés trous spectraux ou espaces blancs
(white spaces).
4
• Trous de spectre géographiques : Possibilité d’avoir des positions géographiques

où certaines bandes de fréquences sont attribuées à un système utilisateur, mais
pas effectivement utilisées.
5
• Trous de spectre temporels: Possibilité d’avoir certains intervalles de temps pour

lesquels le système principal n'utilise pas le spectre.
6
• La radio cognitive peut créer des interférences accrues pouvant dégrader la

qualité de service du système primaire.
•  L'impact sur le système primaire doit être maintenu à un niveau minimal.
•  La radio cognitive :
• Doit détecter le spectre pour savoir s'il est disponible ou non.
• Doit pouvoir détecter les très faibles signaux d'utilisateur primaires.
•  La détection de spectre est une composantes essentielles de la radio
cognitive.
7
• Méthodes de partage du spectre: Underlay, Overlay et Interweave.

Underlay Overlay Interweave
Le SU connaît les puissances des Le SU connaît les gains des canaux et Lorsque le PU n'utilise pas le spectre,
canaux du PU les messages du PU le SU connait les trous spectraux dans
l’espace, le temps et la fréquence
Tant que le l'interférence est Le SU peut simultanément Le SU peut simultanément
inférieure à un limite acceptable, le transmettre avec le PU. L'interférence transmettre avec le PU en cas de
SU peut transmettre simultanément causée par le SU peut être compensée fausse détection de trous spectraux
avec le PU en utilisant une partie de la puissance
du SU pour relayer les message du PU
La puissance d'émission d’un SU est Le SU peut transmettre à n’importe La puissance d’un SU est limitée par
limitée par une contrainte quelle puissance, du moment que son pouvoir de détection de trous de
d'interférence l'interférence au PU est compensée spectre
par le relayage des messages du PU
8
• Problème de détection de spectre : Décider si une tranche particulière du spectre est

disponible ou non  Discrimination entre deux hypothèses.
• Formulation mathématique:
𝐻0 ∶ 𝐲 𝑛 = 𝐰 𝑛 , 𝑛 = 1, … , 𝑁,
𝐻1 ∶ 𝐲 𝑛 = 𝐱 𝑛 + 𝐰 𝑛 , 𝑛 = 1, … , 𝑁,
où
• 𝐱[𝑛] représente le signal d’un PU,
• 𝐰[𝑛] est le bruit et
• 𝑛 représente le temps.
• Le signal, 𝐲[𝑛], reçu par le SU, est vectoriel, de longueur 𝐿.
• Un élément du le vecteur 𝐲[𝑛] peut, par exemple, représenter le signal reçu sur l’une des
antenne du SU à l'instant 𝑛.
9
• La détection de spectre se démarque de la théorie de la détection par

le fait que 𝐱[𝑛] a une structure spécifique qui découle de l'utilisation
de techniques de modulation et de codage modernes dans les
systèmes sans fil contemporains.
• Une telle structure peut ne pas être simple à représenter mais offre
l'opportunité de concevoir des algorithmes de détection de spectre
très efficaces.
10
• 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]
• Le test d'hypothèse peut alors être réécrit comme :

𝐻0 ∶ 𝐲 = 𝐰,
𝐻1 ∶ 𝐲 = 𝐱 + 𝐰.
• Le bruit 𝐰 est centré, blanc, gaussien, complexe, de variance 𝜎 2 : 𝐰 ~ 𝒩(0, 𝜎 2 𝐈).
11
Fondamentaux de la Détection du Signal 1/17
• En détection du signal, l’objectif est de décider si l'observation 𝐲 a été généré

sous 𝐻0 ou 𝐻1 . 
• 1°) Formation d’une statistique de test Λ(𝐲) à partir des données reçues 𝐲.
• 2°) Comparaison de Λ(𝐲) à un seuil prédéterminé 𝜂 :
𝐻1
Λ 𝐲 ≷ 𝜂.
𝐻0
• Les performances d'un détecteur sont quantifiées en fonction de sa courbe ROC
(Receiver Operating Characteristics), qui représente la probabilité de détection
𝑃𝐷 = Pr(Λ(𝐲) > 𝜂|𝐻1 ) en fonction de la probabilité de fausse alarme 𝑃𝐹𝐴 =
Pr(Λ(𝐲) > 𝜂|𝐻0 ).
12
• En faisant varier le seuil 𝜂, le point de fonctionnement d'un détecteur peut être

choisi n'importe où le long de sa courbe ROC.
• Il faut toujours réaliser un compromis entre les probabilités de fausse alarme,
𝑃𝐹𝐴 , et de détection, 𝑃𝐷 .
• Le problème fondamental de la conception d’un détecteur est de
• 1°) Choisir la statistique de test Λ(𝐲), et
• 2°) Définir le seuil de décision 𝜂 pour obtenir de bonnes performances de
détection.
13
• Contexte de la radio cognitive :

• 1°) Du point de vue du PU, il est souhaitable que la probabilité de détection, 𝑃𝐷 =
Pr(Λ 𝐲 > 𝜂|𝐻1 ), soit élevée : Le SU doit détecter le signal du PU avec une forte
probabilité de détection afin de ne pas interférer avec lui.
• 2°) Du point de vue du SU, il est souhaitable de détecter les trous de spectre
disponibles avec une forte probabilité de pouvoir utiliser autant de spectre que
possible : Il faut détecter un trou de spectre avec une probabilité, Pr(Λ(𝐲) ≤
𝜂|𝐻0 ) = 1 – 𝑃𝐹𝐴 , élevée  Il faut garder 𝑷𝑭𝑨 petit.
•  Il y a un compromis entre l'utilisation du spectre par les SUs et l'impact des
interférences sur les PUs.
•  Un compromis doit être trouvé entre 𝑃𝐹𝐴 et 𝑃𝐷 .
14
• Conception des algorithmes de détection :
• Cadre de la Statistique Classique (Statistique déterministe) :

• L’une des hypothèses 𝐻0 ou 𝐻1 est vrai de manière déterministe.
• L'objectif est de choisir Λ(𝐲) et 𝜂 de manière à maximiser 𝑃𝐷 sous la
contrainte sur 𝑃𝐹𝐴 : 𝑃𝐹𝐴 ≤ 𝛼.
• Cadre de la Statistique Bayésiennes :

• La source sélectionne la vraie hypothèse au hasard selon les probabilités a
priori Pr(𝐻0 ) et Pr(𝐻1 ).
• L'objectif est de minimiser le coût bayésien.
15
• Les deux cadres, bien que philosophiquement différents, aboutissent à une

statistique de test commune, donnée par le rapport de vraisemblance :
𝑝(𝐲|𝐻1 )
Λ 𝑦 = .
𝑝(𝐲|𝐻0 )
• Le calcul de Λ(𝐲) nécessite la connaissance parfaite des distributions de

probabilité de 𝐲 sous les hypothèses 𝐻0 et 𝐻1 .
•  Il faut connaître tous les paramètres (variance du bruit, variance du signal,
coefficients du canal,...).
16
• Si le signal à détecter, 𝐱, est parfaitement connu, alors, 𝐲 ∼ 𝒩(𝐱, 𝜎2 𝐈) sous 𝐻1 .

•  La statistique de test optimale est la sortie d’un filtre adapté :
𝐻1
ℛe 𝐱 𝐻 𝐲 ≷ 𝜂.
𝐻0
• Ici 𝐱 𝐻 dénote le conjugué transpose (transposé hermitien) de 𝐱.
17
• En pratique, les paramètres du signal et du bruit ne sont pas connus.

• Pour le cadre bayésien, la stratégie optimale est de marginaliser la fonction de
vraisemblance pour éliminer les paramètres inconnus.
•  Si le vecteur 𝛉 rassemble les paramètres inconnus, alors on calcule:
𝑝 𝐲 𝐻𝑖 = න 𝑝 𝐲 𝐻𝑖 , 𝛉 𝑝 𝛉 𝐻𝑖 𝑑𝛉
où 𝑝(𝐲|𝐻𝑖 , 𝛉) désigne la densité de probabilité (DDP) conditionnelle de 𝐲 sachant

𝐻𝑖 et 𝛉, et 𝑝(𝛉|𝐻𝑖 ) désigne la DDP a priori du paramètre 𝛉 sachant 𝐻𝑖 .
18
• Dans le cadre de test d'hypothèse classique, les paramètres inconnus doivent

être estimé.
•  Une technique standard consiste à utiliser le maximum de vraisemblance (MV)
pour estimer les paramètres inconnus
•  Test du rapport de vraisemblance généralisé (Generalized Likelihood Ratio
Test, GLRT):
𝐻
max 𝑝(𝐲|𝐻1 ,𝛉) 1
𝛉
≷ 𝜂.
max 𝑝(𝐲|𝐻0 ,𝛉)
𝛉 𝐻0
19
• Taux de fausses alarmes constant (Constant False Alarm Rate, CFAR) : Un

détecteur a la propriété de taux de fausses alarmes constant si sa probabilité de
fausse alarme est indépendante de paramètres tels que les puissances du bruit
ou du signal.
• Le seuil de décision, 𝜂, peut être réglé pour atteindre une 𝑃𝐹𝐴 prédéfinie sans
connaître la puissance du bruit.
• Si la statistique de test 𝚲(𝐲) n’est pas affectée par une mise à l'échelle, alors le
détecteur est CFAR.
• La propriété CFAR est très recherchée surtout quand on a affaire à des bruits de
puissances inconnues.
20
• Le détecteur d'énergie mesure l'énergie reçue pendant un intervalle de temps

fini, et la compare à un seuil prédéterminé.
• Pour la dérivation du détecteur d'énergie, on suppose que le signal à détecter ne
possède aucune structure connue qui pourrait être exploitée.
•  On modélise le signal par une variable aléatoire gaussienne complexe de
moyenne nulle 𝐱 ∼ 𝒩(𝟎, 𝛾 2 𝐈).
•  𝐲|𝐻0 ∼ 𝒩(𝟎, 𝜎 2 𝐈) et 𝐲|𝐻1 ∼ 𝒩(𝟎, (𝜎 2 + 𝛾 2 )𝐈).
• Après suppression des constantes non pertinentes, on peut écrire le test sous la
forme :
2 𝐿𝑁 𝐻1
𝐲 1
Λ 𝑦 = 2 = 2 ෍ 𝑦𝑖 2 ≷ 𝜂.
𝜎 𝜎 𝐻
𝑖=1 0
21
• Les performances du détecteur d’énergie sont est bien connues :

2𝜂
𝑃𝐹𝐴 = 𝑃𝑟 Λ 𝐲 > 𝜂|𝐻0 = 1 − 𝐹𝜒2 ,
2𝑁𝐿 𝜎 2
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
• Ici 𝐹𝜒2 . désigne la fonction de partition d’une variable aléatoire

2𝑁𝐿
2
du 𝜒 avec 2𝑁𝐿 degrés de liberté.
22
𝑥 𝑘/2−1 𝑒 −𝑥/2
𝑘 𝑥 ≥ 0,
𝑓𝑘 𝑥 = 22 Γ(𝑘/2)
0, sinon.
DDP d’une Loi du 𝜒 2 Fonction de partition d’une Loi du 𝜒 2
23
SNR = 0 dB SNR = −20 dB
Courbe ROC (Receiver Operating Characteristic)

24
•  𝑃𝐷 est une fonction de 𝑃𝐹𝐴 , de 𝑁𝐿 et du 𝑆𝑁𝑅 = 𝛾 2 /𝜎 2 .
• Pour un 𝑃𝐹𝐴 ﬁxe, 𝑃𝐷 → 1 quand 𝑁𝐿 → ∞, pour tout SNR.

•  Idéalement, n'importe quel couple (𝑃𝐷 , 𝑃𝐹𝐴 ) peut être obtenu si la détection
peut être fait pendant une période arbitrairement longue.
25
• Limites fondamentales pour la détection : Mur du SNR

• Pour calculer le rapport de vraisemblance Λ(𝐲), la DDP de l'observation 𝐲 doit
être parfaitement connue sous les deux hypothèses 𝐻0 et 𝐻1 .
•  En raison des incertitudes dans les hypothèses du modèle, une détection
précise est impossible en dessous d'un certain niveau de SNR, connu sous le
nom de mur du SNR.
26
• Soit 𝜎ො 2 l'estimation imparfaite de la variance du bruit.

• Soit 𝜎 2 la vraie variance du bruit.
• On suppose que la variance estimée du bruit ne soit connue que pour être dans
1
intervalle donné, tel que 𝜎ො 2 ∈ [𝜌 𝜎 2 , 𝜌𝜎 2 ], pour un certain 𝜌 > 1.
• Pour garantir que 𝑃𝐹𝐴 soit toujours inférieure à un niveau requis, le seuil doit être
réglé pour répondre à l'exigence dans le pire des cas.
• Pour les US, le pire des cas se produit lorsque la variance de bruit estimée est à
2 1 2
l'extrémité inférieure de l'intervalle, c'est-à-dire lorsque 𝜎ො = 𝜎 .
𝜌
27
Nombre d'échantillons requis (𝑁𝐿) pour satisfaire 𝑃𝐹𝐴 = 0,05 et 𝑃𝐷 = 0,9 en

utilisant une détection d'énergie sous une incertitude de la variance du bruit. 28
Détection d’Eléments Distinctifs Basée sur les Statistiques du
Second Ordre 1/26
• La théorie de l'information nous enseigne que les signaux de communication avec
entropie maximale sont statistiquement blancs et gaussiens.
•  Si les signaux utilisés dans les systèmes de communication étaient blancs et
gaussiens, aucun algorithme de détection de spectre ne pourrait faire mieux que
le détecteur d'énergie.
• En réalité, les signaux utilisés dans les systèmes de communication pratiques
contiennent toujours des caractéristiques distinctives qui peuvent être
exploitées pour la détection et qui permettent d'atteindre une performance de
détection qui dépasse largement celle du détecteur d'énergie.
29
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
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.
Modèle pour les 𝑁 échantillons d'un signal OFDM reçu.

31
Second Ordre 4/26
• Soit 𝑁𝑑 le nombre de symboles de données (taille d’un bloc à l’entrée de la IFFT
ou encore nombre de sous-porteuses).
• Soit 𝑁𝑐 la longueur du CP.
• Le CP est une répétition des 𝑁𝑐 derniers échantillons des données.
• On suppose que les symboles de données transmis sont indépendants et
identiquement distribuées (i.i.d.), de moyenne nulle et variance 𝛾 2
• On considère la fonction d'autocorrélation (Autocorrelation Function, ACF) :
𝑟𝑥 𝑛, 𝜏 = 𝐸 𝑥 ∗ 𝑛 𝑥[𝑛 + 𝜏] .
32
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.
Exemple de fonction d'autocorrélation périodique pour un signal OFDM avec un

préfixe cyclique. 33
Second Ordre 6/26
• On suppose que le récepteur a observé 𝐾 + 1 symboles OFDM consécutifs à
partir d'un flux de données modulées en OFDM.
• Le signal reçu 𝑦[𝑛] contient 𝑁 = 𝐾 (𝑁𝑐 + 𝑁𝑑 ) + 𝑁𝑑 échantillons.
• On considère un canal avec bruit blanc additif gaussien (BBAG, AWGN).
• Les statistiques du second ordre seront les mêmes sur un canal à trajets
multiples, mais l'ACF exact peut être étalée en raison des dispersions
temporelles.
• On s’intéresse à l’estimation de 𝑟𝑥 [𝑛, 𝑁𝑑 ].
•  On calcule l'estimation suivante:
𝑟Ƹ 𝑛 = 𝑦 ∗ 𝑛 𝑦 𝑛 + 𝑁𝑑 , 𝑛 = 1, 2, … , 𝐾 𝑁𝑐 + 𝑁𝑑 .
34
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.
• Par construction, 𝐸 𝑟[𝑛]

Ƹ = 𝑟𝑦 𝑛, 𝑁𝑑 = 𝑟𝑥 𝑛, 𝑁𝑑 .
• Comme 𝑟Ƹ 𝑛 , 𝑟Ƹ 𝑛 + (𝑁𝑐 + 𝑁𝑑 ) , … , 𝑟Ƹ 𝑛 + 𝑘 𝑁𝑐 + 𝑁𝑑 , … ont des statistiques
identiques et sont indépendants, on introduit la fonction :
𝐾−1
1
𝑅෠ 𝑛 = ෍ 𝑟[𝑛
Ƹ + 𝑘 𝑁𝑐 + 𝑁𝑑 ] , 𝑛 = 1, 2, … , 𝑁𝑐 + 𝑁𝑑 .
𝐾
𝑘=0
35
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
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
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
Second Ordre 11/26
(2)
(4)
(3)
Comparaison des performances des systèmes de détection de basée sur l'autocorrélation en

terme de probabilité de détection manquée (Missed Detection Probability, 𝑃𝑀𝐷 ). Ici 𝑃𝐹𝐴 =
0,05, 𝑁𝑑 = 32, 𝑁𝑐 = 8 et 𝐾 = 50. 39
Second Ordre 12/26
• Détecteurs basés sur la cyclostationnarité :
• Dans de nombreux cas, l'ACF du signal est non stationnaire, mais périodique.
• La plupart des signaux artificiels obéissent à des modèles périodiques liés au
rythme symbole, au code de canal ou au préfixe cyclique.
•  Modélisation comme processus aléatoires cyclostationnaires du second ordre.
• Exemple: Signal OFDM.
• La connaissance de certaines des caractéristiques cycliques d'un signal permet de

construire des détecteurs qui exploitent la cyclostationnarité.
40
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 :
𝑟𝑦 𝑛,𝜏 = ෍ 𝑅𝑦 𝛼,𝜏 𝑒 𝑗2𝜋𝛼𝑛

𝛼
• La dernière somme est effectuée sur des fréquences multiples entiers de la
fréquence fondamentale 1/𝑇, appelées fréquences cycliques.
41
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
• Les coefficients de FOURIER 𝑅𝑦 (𝛼, 𝜏) forment les fonctions d’autocorrélation

cycliques aux fréquences cycliques α.
42
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
• Le spectre cyclique représente la densité de corrélation pour la fréquence

cyclique 𝛼.
• Connaissant certaines des caractéristiques cycliques d'un signal, on peut
construire des détecteurs qui exploitent la cyclostationnarité et bénéficient donc
de la corrélation spectrale.
43
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
𝑅෠𝑦 𝛼, 𝜏 = ෍ 𝑦 ∗ 𝑛 𝑦 𝑛 + 𝜏 𝑒 −𝑗2𝜋𝛼𝑛 .
𝑁
𝑛=0
• L'autocorrélation cyclique 𝑅෠𝑦 𝛼, 𝜏 est typiquement estimée pour des fréquences

cycliques d'intérêt 𝛼𝑖 , 𝑖 = 1, … , 𝑝, à des décalages temporels 𝜏𝑖 , 𝑖 = 1, … , 𝑝.
44
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.
• On traite ici l’exemple d’un système à antennes multiples en réception (SIMO).

• On suppose qu'il y a 𝐿 > 1 antennes de réception au niveau du détecteur.
45
Second Ordre 18/26
• Sous l’hypothèse 𝐻1 , le signal reçu s’écrit comme :
𝐲 𝑛 = 𝐡𝑠 𝑛 + 𝐰 𝑛 , 𝑛 = 1, … , 𝑁.
• Ici, 𝐡 est le vecteur de canal 𝐿 × 1 et 𝑠[𝑛] est la séquence de symboles transmis.

• On suppose que 𝑠 𝑛 ∼ 𝒩 0, 𝛾 2 et que 𝐰[𝑛] ∼ 𝒩(𝟎, 𝜎 2 𝐈).
• La matrice de covariance sous l’hypothèse 𝐻1 vaut :
𝚿 = 𝐸 𝐲 𝑛 𝐲 𝑛 𝐻 |𝐻1 = 𝛾 2 𝐡𝐡𝐻 + 𝜎 2 𝐈.
• Soient 𝜆1 , 𝜆2 , … , 𝜆𝐿 les valeurs propres de 𝚿, triés dans un ordre décroissant.
46
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
෡ triées par ordre décroissant.

• Soient 𝜈1 , 𝜈2 , . . . , 𝜈𝐿 les valeurs propres de 𝐑
47
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.
•  Il existe une valeur propre dominante sous l’hypothèse 𝐻1 en raison du vecteur de

canal de rang un.
48
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
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 ,
pour un entier 𝐿 > 0.

• Remarque : Le choix de 𝐿 affectera bien entendu les performances du détecteur.
50
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
Second Ordre 24/26
෡ pour le code espace-temps en bloc orthogonal d’ALAMOUTI,

Exemples de valeurs propres triées de 𝐑
opérant sur système MIMO 2 × 4, avec deux antennes d'émission et quatre antennes de réception.
52
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
Second Ordre 26/26
෡ pour un système MIMO 2 × 4 général,

Exemples de valeurs propres triées de 𝐑
avec deux antennes d'émission et quatre antennes de réception.
• 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
• La détection de spectre à l'aide d'une seule radio cognitive a un certain nombre de

limitations :
• La sensibilité de la détection par un seul appareil peut être limitée en raison de
contraintes énergétiques.
• La radio cognitive peut être localisée dans un évanouissement profond du signal du
PU, et en tant que tel pourrait manquer le détection de ce PU.
• Le fait que la radio cognitive soit bloquée par rapport au PU émetteur, ne signifie pas
qu’elle est également bloquée par rapport à un autre PU récepteur.
•  Problème du terminal caché : Le PU émetteur n'est pas détecté mais le transmission
pourrait interférer significativement avec le PU récepteur.
55
56
• La détection coopérative consiste à utiliser plusieurs capteurs et combiner leurs mesures

en une seule décision commune.
•  Amélioration de la sensibilité de la détection du spectre radioélectrique cognitif et la
rendre plus robuste par rapport aux évanouissements de canal et au problème de
terminal caché.
• Il existe deux types de détection coopérative :
• Détection coopérative centralisée (nécessité d’un centre de fusion).
• Détection coopérative décentralisée ou distribuée.
• Il existe deux approches de combinaison de mesures :
• Combinaison souple (soft combining).
• Combinaison ferme ou dure (hard combining).
57
Détection coopérative centralisée Détection coopérative décentralisée

ou distribuée
58
• Détection coopérative centralisée : Combinaison souple :

• Pour 𝑀 détecteurs (SU), le test d’hypothèse devient :
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
• Le logarithme du rapport de vraisemblance (Log-Likelihood Ratio, LLR) vaut :

𝑀 𝑀 𝑀
𝑝(𝐲|𝐻1 ) 𝑝(𝐲𝑚 |𝐻1 ) 𝑝(𝐲𝑚 |𝐻1 )
log = log ෑ = ෍ log = ෍ Λ(𝑚) .
𝑝(𝐲|𝐻0 ) 𝑝(𝐲𝑚 |𝐻0 ) 𝑝(𝐲𝑚 |𝐻0 )
𝑚=1 𝑚=1 𝑚=1
• Ici,
(𝑚)
𝑝(𝐲𝑚 |𝐻1 )
Λ = log
𝑝(𝐲𝑚 |𝐻0 )
représente le rapport de vraisemblance du 𝑚-ème détecteur.

•  Si les signaux reçus par tous les capteurs sont indépendants, la règle de fusion
optimale consiste à additionner les LLRs.
60
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 centralisée : Combinaison ferme ou dure :

• La détection coopérative avec combinaison souple est équivalent au cas où le centre de
fusion a accès à l’ensemble des données reçues par tous les capteurs et effectue une
détection optimale basé sur toutes les données.
•  Avantage : La détection coopérative avec combinaisons souples est optimale.
•  Inconvénient : Elle nécessite une très grande quantité de données à transmettre au
centre de fusion.
• L'autre cas extrême de détection coopérative repose sur une combinaison ferme :
• Chaque capteur fait sa propre décision individuelle, et ne transmet qu'une valeur
binaire au centre de fusion.
• Le centre de fusion combine les décisions fermes en une seule décision commune,
en utilisant une règle de vote.
62
• 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
• Cas particuliers de la règle de vote :

• Décision à la majorité :
𝑀
𝐶= .
2
• Décision selon la logique ET :

𝐶 = 𝑀.
• Décision selon la logique OU :

𝐶 = 1.
64
Décision selon la
logique ET optimale
Décision à la
majorité optimale
Décision selon la
logique OU optimale
65
• Détection coopérative décentralisée ou distribuée.

• Lorsque les vecteurs de bruit 𝐰𝑚 sont indépendant, 𝐰𝑚 ~𝒩(0, 𝜎 2 𝐈), et les vecteurs de
signal 𝐱𝑚 sont indépendant, 𝐱𝑚 ~𝒩(0, 𝛾 2 𝐈) le rapport log-vraisemblance du 𝑚-ème
capteur est tel que :
2
𝐲𝑚
Λ(𝑚) = .
𝜎2
• Le calcul de la moyenne (ou, de manière équivalente, de la somme) des Λ(𝑚) à chaque
SU se fait de manière distribuée en utilisant l’algorithme de consensus ou de bavardage.
66
• Exemple d’algorithme de consensus ou de bavardage : L’algorithme de consensus par

paire.
• Soit 𝚲(𝑡) le vecteur des LLRs calculés à l’instant 𝑡 dans chacun des capteurs :
Λ(1) (𝑡)
(2)
𝚲 𝑡 = Λ (𝑡) .
⋮
Λ(𝑀) (𝑡)
• A l’instant 𝑡 = 0, le vecteur 𝚲(0) contient les valeurs initiales calculées individuellement

par chacun des capteurs :
Λ(1)
(2)
𝚲 0 = Λ .
⋮
Λ(𝑀) 67
• A l’instant 𝑡 > 0, un capteur 𝑚 se réveille et appelle l’un de ses voisins 𝑚′. 
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

3°) Sondage de Canal - Mohamed Siala VF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

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 :

Formats disponibles

3°) Sondage de Canal - Mohamed Siala VF

Transféré par

Droits d'auteur :

Formats disponibles

Traitement du Signal et Multi-

16, 17 et 18 Mars 2021

• I. Séparation de Sources MIMO

• Demande toujours croissante de débits de données dans les communications

• Diverses compagnes de mesures du taux d’utilisation du spectre  Ressources

• Trous de spectre géographiques : Possibilité d’avoir des positions géographiques

• Trous de spectre temporels: Possibilité d’avoir certains intervalles de temps pour

• La radio cognitive peut créer des interférences accrues pouvant dégrader la

• Méthodes de partage du spectre: Underlay, Overlay et Interweave.

• Problème de détection de spectre : Décider si une tranche particulière du spectre est

• La détection de spectre se démarque de la théorie de la détection par

• Le test d'hypothèse peut alors être réécrit comme :

• Le bruit 𝐰 est centré, blanc, gaussien, complexe, de variance 𝜎 2 : 𝐰 ~ 𝒩(0, 𝜎 2 𝐈).

• En détection du signal, l’objectif est de décider si l'observation 𝐲 a été généré

• En faisant varier le seuil 𝜂, le point de fonctionnement d'un détecteur peut être

• Contexte de la radio cognitive :

• Conception des algorithmes de détection :

• Cadre de la Statistique Classique (Statistique déterministe) :

• Cadre de la Statistique Bayésiennes :

• Les deux cadres, bien que philosophiquement différents, aboutissent à une

• Le calcul de Λ(𝐲) nécessite la connaissance parfaite des distributions de

• Si le signal à détecter, 𝐱, est parfaitement connu, alors, 𝐲 ∼ 𝒩(𝐱, 𝜎2 𝐈) sous 𝐻1 .

• En pratique, les paramètres du signal et du bruit ne sont pas connus.

où 𝑝(𝐲|𝐻𝑖 , 𝛉) désigne la densité de probabilité (DDP) conditionnelle de 𝐲 sachant

• Dans le cadre de test d'hypothèse classique, les paramètres inconnus doivent

• Taux de fausses alarmes constant (Constant False Alarm Rate, CFAR) : Un

• Le détecteur d'énergie mesure l'énergie reçue pendant un intervalle de temps

• Les performances du détecteur d’énergie sont est bien connues :

• Ici 𝐹𝜒2 . désigne la fonction de partition d’une variable aléatoire

DDP d’une Loi du 𝜒 2 Fonction de partition d’une Loi du 𝜒 2

SNR = 0 dB SNR = −20 dB

Courbe ROC (Receiver Operating Characteristic)

•  𝑃𝐷 est une fonction de 𝑃𝐹𝐴 , de 𝑁𝐿 et du 𝑆𝑁𝑅 = 𝛾 2 /𝜎 2 .

• Pour un 𝑃𝐹𝐴 ﬁxe, 𝑃𝐷 → 1 quand 𝑁𝐿 → ∞, pour tout SNR.

• Limites fondamentales pour la détection : Mur du SNR

• Soit 𝜎ො 2 l'estimation imparfaite de la variance du bruit.

Nombre d'échantillons requis (𝑁𝐿) pour satisfaire 𝑃𝐹𝐴 = 0,05 et 𝑃𝐷 = 0,9 en

Modèle pour les 𝑁 échantillons d'un signal OFDM reçu.

• On considère la fonction d'autocorrélation (Autocorrelation Function, ACF) :

Exemple de fonction d'autocorrélation périodique pour un signal OFDM avec un

• Par construction, 𝐸 𝑟[𝑛]

Comparaison des performances des systèmes de détection de basée sur l'autocorrélation en

• La connaissance de certaines des caractéristiques cycliques d'un signal permet de

𝑟𝑦 𝑛,𝜏 = ෍ 𝑅𝑦 𝛼,𝜏 𝑒 𝑗2𝜋𝛼𝑛

• Les coefficients de FOURIER 𝑅𝑦 (𝛼, 𝜏) forment les fonctions d’autocorrélation

• Le spectre cyclique représente la densité de corrélation pour la fréquence

• L'autocorrélation cyclique 𝑅෠𝑦 𝛼, 𝜏 est typiquement estimée pour des fréquences

• On traite ici l’exemple d’un système à antennes multiples en réception (SIMO).

• Ici, 𝐡 est le vecteur de canal 𝐿 × 1 et 𝑠[𝑛] est la séquence de symboles transmis.

• Soient 𝜆1 , 𝜆2 , … , 𝜆𝐿 les valeurs propres de 𝚿, triés dans un ordre décroissant.

෡ triées par ordre décroissant.

•  Il existe une valeur propre dominante sous l’hypothèse 𝐻1 en raison du vecteur de

pour un entier 𝐿 > 0.

෡ pour le code espace-temps en bloc orthogonal d’ALAMOUTI,

෡ pour un système MIMO 2 × 4 général,

• La détection de spectre à l'aide d'une seule radio cognitive a un certain nombre de

• La détection coopérative consiste à utiliser plusieurs capteurs et combiner leurs mesures

Détection coopérative centralisée Détection coopérative décentralisée

• Détection coopérative centralisée : Combinaison souple :

• Le logarithme du rapport de vraisemblance (Log-Likelihood Ratio, LLR) vaut :

représente le rapport de vraisemblance du 𝑚-ème détecteur.

• Détection coopérative centralisée : Combinaison ferme ou dure :

• Cas particuliers de la règle de vote :