Vous êtes sur la page 1sur 192

THESE

prsente devant
lUniversit de Bretagne Occidentale
pour obtenir le grade de
DOCTEUR
DE LUNIVERSITE DE BRETAGNE OCCIDENTALE
MENTION SCIENCES ET TECHNOLOGIES DE LINFORMATION
ET DE LA COMMUNICATION
SPECIALITE COMMUNICATIONS NUMERIQUES
par
Mihai Bogdan Luca
Laboratoire dElectronique et Systmes de Tlcommunications
LEST - UMR CNRS 6165
Universit de Bretagne Occidentale - Ecole Doctorale SMIS
Apports du chaos et des estimateurs dtats pour la transmission
scurise de linformation
Soutenue le 6 novembre 2006 devant la commission dexamen compose de :
Prsident
M. C. Balan Professeur, Acadmie Technique Militaire de Bucarest
Rapporteurs
M. I. Banica Professeur, Universit Polytechnique de Bucarest
M. Boutayeb Professeur, Universit Louis Pasteur, Strasbourg
Examinateurs
M. S. Azou Matre de Confrences, Universit de Bretagne Occidentale
G. Burel Professeur, Universit de Bretagne Occidentale, co-directeur de thse
A. Quinquis Enseignant-Chercheur HDR, ENSIETA Brest
D. Roviras Professeur, I.N.P. Toulouse
A. Serbanescu Professeur, Acadmie Technique Militaire de Bucarest, co-directeur de thse
Thse ralise en cotutelle avec lAcadmie Technique Militaire de Bucarest
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Table des matires
Liste des acronymes et abrviations xi
Notations mathmatiques xiii
Introduction 1
1 Systmes dynamiques chaotiques et transmission de linformation 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Le chaos : dnition et proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Dnition des systmes dynamiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Comportement des systmes dynamiques . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 valuation du comportement dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Synchronisation du chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Synchronisation identique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.2 Synchronisation par ltrage de Kalman tendu . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Systmes talement de spectre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.1 talement de spectre par squence directe (DS-SS) . . . . . . . . . . . . . . . . . . . . 21
1.4.2 talement de spectre par sauts de frquence . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5 Transmissions porteuses chaotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5.1 Masquage chaotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5.2 Chaos Shift Keying (CSK) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5.3 talement de spectre par squence chaotique directe . . . . . . . . . . . . . . . . . . . 30
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Filtres de Kalman non-linaires 33
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Filtre de Kalman tendu (EKF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
i
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
TABLE DES MATIRES ii
2.2.1 Modle gnral de ltrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.2 Principe du ltre de Kalman tendu (EKF) . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.3 Filtre de type IEKF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3 Filtre de Kalman Unscented . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.1 Transformation Unscented . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.2 Transformation scaled-Unscented . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.3 Construction du modle de ltrage rcursif UKF . . . . . . . . . . . . . . . . . . . . . 44
2.3.4 Filtre HOUF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Filtre CDKF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.4.1 Formule dinterpolation polynomiale de Stirling . . . . . . . . . . . . . . . . . . . . . . 50
2.4.2 Estimation de la moyenne et de la covariance dune v.a. transforme . . . . . . . . . . 51
2.5 Filtrage de Kalman bas sur une approximation par somme de gaussiennes . . . . . . . . . . 53
2.6 Filtre particules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3 Le Filtre de Kalman Polynomial Exact 59
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2 Transformation Polynomiale Exacte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3 Filtre de Kalman Polynomial Exact (ExPKF) . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4 Application du ltrage ExPKF la synchronisation chaotique . . . . . . . . . . . . . . . . . . 66
3.5 Evaluation des performances du ltre ExPKF . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5.1 Analyse graphique des transformations non-linaires . . . . . . . . . . . . . . . . . . . 69
3.5.2 Rsultats sur la stabilit des transformations EKF, UKF et Exact . . . . . . . . . . . 72
3.5.3 EQM du ltre ExPKF appliqu la synchronisation chaotique . . . . . . . . . . . . . 77
3.5.4 Evaluation de la consistence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4 Rcepteurs complets talement de spectre par squence chaotique directe 83
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.2 Emetteur du systme Chaotic DS-SS (CD3S) . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.3 Modles de base pour les rcepteurs CD3S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3.1 Rcepteur estimation parallle du code et du symbole . . . . . . . . . . . . . . . . . 85
4.3.2 Estimation simultane du Code, du Symbole et de la Phase . . . . . . . . . . . . . . . 88
4.3.3 Mthodes de contrle de gain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3.4 Rcepteur bas sur une structure de type corrlateur . . . . . . . . . . . . . . . . . . . 95
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
TABLE DES MATIRES iii
4.3.5 Rsultats obtenus par simulation numrique . . . . . . . . . . . . . . . . . . . . . . . . 97
4.4 Gnralisation du ltrage Kalman parallle pour les canaux trajets multiples . . . . . . . . 100
4.4.1 Structure du rcepteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4.2 Gnralisation des modles de ltrage Kalman . . . . . . . . . . . . . . . . . . . . . . 101
4.5 Rcepteur RAKE - MRC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.6 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5 Estimation de canal par ltrage Kalman linaire 115
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.2 Systme talement de spectre DS-SS squence courte . . . . . . . . . . . . . . . . . . . . . 116
5.2.1 Modle linaire associ lestimation rcursive du canal . . . . . . . . . . . . . . . . . 116
5.2.2 Suppression des termes dinterfrence . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2.3 Solution asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.2.4 Introduction dune tape de troncature . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.2.5 Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.3 Systme talement de spectre DS-SS squence longue . . . . . . . . . . . . . . . . . . . . 125
5.3.1 Modle associ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.3.2 Suppression des termes dinterfrence et solution asymptotique associe . . . . . . . . 127
5.3.3 Algorithme destimation du canal et dcision symbole . . . . . . . . . . . . . . . . . . 128
5.3.4 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6 Compression de linformation laide de systmes chaotiques 135
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
6.2 Notions sur la dynamique symbolique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6.3 Gnrateur probabiliste de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6.4 Un algorithme de compression chaotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.4.1 Performances de lalgorithme propos . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.4.2 Implmentation en pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.4.3 Exemple dapplication de lalgorithme propos . . . . . . . . . . . . . . . . . . . . . . 144
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Conclusions 147
A Exposants de Lyapunov 151
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
TABLE DES MATIRES iv
B Formulation du Filtre de Kalman Etendu (EKF) 154
B.1 Etape de mise jour temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
B.2 Etape de mise jour par des observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
C Complments sur la Transformation Polynomiale Exacte 157
Liste de publications 161
Bibliography 162
Index 174
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Table des gures
1.1 Exemple de trajectoire pour le systme Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 tude du comportement dynamique pour la fonction logistique (eq. 1.8) : a) gnration de la
squence rcursive (web diagram) ; b) le diagramme de bifurcation ; c,d,e) squence gnre et
tats limites pour r = 2, 3.2, 3.55 ; f) squences gnres et sensibilit aux CI pour r = 3.9
(comportement chaotique). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Sensibilit aux CI - systme de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Synchronisation Matre-Esclave en utilisant la dcomposition en sous-systmes . . . . . . . . 15
1.5 volution des tats du systme matre et de lesclave avant et aprs synchronisation : a)
y = X
2
; b) z = X
3
; c) Diagramme de synchronisation pour ltat y = X
2
; d) Puissance de
lerreur de synchronisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Structure de lestimateur rcursif EKF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7 Exemple de synchronisation chaotique par ltrage de Kalman Etendu : a) squence initiale
vs squence estime ; b) diagramme de synchronisation ; c) volution du gain Kalman K
k
; d)
volution de la covariance des erreurs P
k
par rapport la variance du bruit dobservation R . 19
1.8 Modle dun systme de communication talement de spectre . . . . . . . . . . . . . . . . . 21
1.10 Exemple dtalement de spectre par squence directe : a) volution en temps ; b) DSP du signal
informationnel et signal tal ; . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9 Modle dun systme de communication talement de spectre par squence directe . . . . . 22
1.11 Systme spectre tal par sauts de frquence : a) Distribution en temps et en frquence de
lnergie mise ; b) DSP du signal tal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.12 Modle dun systme de communication talement de spectre par sauts de frquence . . . . 24
1.13 Modulation directe du signal informationnel par une porteuse haute frquence chaotique . . . 24
1.14 Modulation en bande de base du signal informationnel par le signal chaotique, combine avec
une mise sur porteuse classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.15 Modulation par masquage chaotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
v
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
TABLE DES FIGURES vi
1.16 Systme gnrique de communication CSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.17 Rcepteur cohrent CSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.18 Rcepteur non-cohrent CSK/COOK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.19 Rcepteur non-cohrent DCSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.20 Modle dun systme de communication talement de spectre par squence chaotique directe 31
1.21 Exemple dtalement de spectre par squence chaotique directe : a) squence priodique sur
la dure symbole ; b) squence non-priodique ; . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1 Application rcursive de lalgorithme de Kalman tendu . . . . . . . . . . . . . . . . . . . . . 37
2.2 Eets de la linarisation au premier ordre sur lestimation de la statistique de la v.a. trans-
forme (gures b), d) et f)) pour une distribution initiale gaussienne caractrise par : a), b)
= 0.7,
2
= 0.0125 ; c), d) = 0.6,
2
= 0.025 ; e), f) = 0.5,
2
= 0.05 . . . . . . . . 39
2.3 Le principe de la transformation Unscented . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4 Un exemple de distribution de sigma points pour une v.a. gaussienne bi-dimensionnelle dans
le cas de la transformation Unscented . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5 Eets de la transformation Unscented sur lestimation de la statistique de la v.a. transforme
(avec une non-linarit de type cos x - gures a, b ; et de type polynomiale dordre 3 : f (x) =
2x
3
1.5x + 0.5 - gures d, f) pour une distribution initiale gaussienne caractrise par : a),
b) = 0.5,
2
= 0.05 ; c), d) = 0.1,
2
= 0.05 ; . . . . . . . . . . . . . . . . . . . . . . . 45
2.6 Un exemple de distribution de sigma points pour une v.a. gaussienne bi-dimensionnelle -
transformation HOUF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.7 Un exemple dapproximation par somme de gaussiennes . . . . . . . . . . . . . . . . . . . . . 54
2.8 Evolution de la distribution de probabilit et exemple de 10 particules pour le systme non-
linaire donn par les quations (2.46) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1 a) Distribution initiale dchantillons ; b) Position dchantillons aprs transformation . . . . 70
3.2 Les eets de lordre de la non-linarit Chebyshev sur les performances des transformations :
y
1
= T
2
(x
1
) ; a) y
2
= T
2
(x
2
) ; b) y
2
= T
3
(x
2
) ; c) y
2
= T
4
(x
2
) ; d) y
2
= T
5
(x
2
). . . . . . . . . 71
3.3 Evolution rcursive du gain de Kalman pour les ltres : a) EKF; b) ExPKF et UKF, R = 10
2
;
c) ExPKF et UKF, R = 10
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.4 a) Instabilit locale du ltre reprsente par la divergence instantane derreur ; b) Variation
du gain de Kalman dans la rgion dinstabilit . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 EQM de synchronisation normalise par rapport R, pour f(x) = T
4
(x) . . . . . . . . . . . . 78
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
TABLE DES FIGURES vii
3.6 La NEES moyenne pour les mthodes de ltrage ExPKF, UKF version Scaled et EKF, avec
une variance du bruit dobservation R = 10
4
et les fonctions gnratrices : a) f(x) = T
2
(x) ;
b) f(x) = T
3
(x) ; c) f(x) = T
4
(x) ; d) f(x) = T
5
(x) ; . . . . . . . . . . . . . . . . . . . . . . . 80
3.7 La NEES moyenne pour les mthodes de ltrage ExPKF, UKF version Scaled et EKF, avec
une variance du bruit dobservation R = 10
1
et les fonctions gnratrices : a) f(x) = T
2
(x) ;
b) f(x) = T
3
(x) ; c) f(x) = T
4
(x) ; d) f(x) = T
5
(x) ; . . . . . . . . . . . . . . . . . . . . . . . 81
4.1 Schma gnral dun systme CD3S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2 Rcepteur CD3S bas sur une estimation Code/Symbole duale . . . . . . . . . . . . . . . . . 86
4.3 Lestimateur Dual Code/Symbole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.4 a) Diagramme de synchronisation pour le rcepteur parallle C/S (implmentation UKF) ; b)
Estimation du symbole mis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.5 Rcepteur CD3S bas sur une estimation Code/Symbole/Phase . . . . . . . . . . . . . . . . . 88
4.6 Estimateur parallle Code/Symbole/Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.7 Reprsentation des paramtres de phase estims pour : a) une erreur de frquence nulle et
un canal stationnaire ; b) une erreur de frquence constante et un canal stationnaire ; c) une
erreur de frquence sur un canal avec des changements priodiques de phase . . . . . . . . . . 90
4.8 La fonction caractristique initiale et modie pour une non-linarit de type Chebyshev
dordre deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.9 a) Implmentation de la boucle de contrle de gain statistique ; b) Inverse du gain estim et
variations du canal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.10 Estimation du signal informationnel en fonction du gain du canal pour : a) la mthode du
modle dynamique modi ; b) la mthode statistique (contrainte sur le moment dordre deux
du code) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.11 Diagramme de synchronisation pour : a) la mthode du modle dynamique modi ; b) la
mthode statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.12 Inuence du gain du canal sur lEQM de synchronisation pour le systme standard et les
mthodes de contrle de gain prsentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.13 Rcepteur CD3S exploitant un corrlateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.14 a) TEB du rcepteur C/S sur un canal AWGN gain unit ; b) TEB du rcepteur C/S/P sur un
canal AWGN gain unit ; c) TEB des structures C/S et C/S/P sur un canal non-stationnaire
aect par un bruit gaussien. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.15 TEB des rcepteurs proposs pour une dynamique Chebyshev de 2-me ordre et pour un gain
dtalement de : 31 ( gauche) et 63 ( droite). . . . . . . . . . . . . . . . . . . . . . . . . . . 99
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
TABLE DES FIGURES viii
4.16 TEB des rcepteurs proposs pour une dynamique Chebyshev de 4-me ordre et pour un gain
dtalement de : 31 ( gauche) et 63 ( droite). . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.17 Structure du rcepteur CD3S propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.18 Structure du rcepteur RAKE utilis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.19 Structure du signal de test utilis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.20 Rponse impulsionnelle estime (en valeur absolue) par le rcepteur RAKE-MRC gauche et
la variante avec la slection de trajets droite pour dirents signaux : signal 1 (gs. a et b) ;
signal 2 (gs. c et d) ; signal 3 (gs. e et f) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.21 Etat symbole estim par les variantes de rcepteurs un trajet ( gauche) et deux trajets
( droite) pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs.
e et f) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.22 Gains estims par les variantes de rcepteurs un trajet ( gauche) et deux trajets ( droite)
pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs. e et f) . . 110
4.23 Phases estimes par les variantes de rcepteurs un trajet ( gauche) et deux trajets (
droite) pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs. e
et f) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.24 Phase relative estime pour : le signal 1 - (a) ; le signal 2 - (b) ; le signal 3 - (c) . . . . . . . . 112
4.25 Retards de code estims par les variantes de rcepteurs un trajet ( gauche) et deux trajets
( droite) pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs.
e et f) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.1 Rponse impulsionnelle du canal considr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.2 Erreur destimation du canal pour direntes valeurs de
T
: a) sans slection, b) une slection
des trajets les plus nergtiques est ralise . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.3 Rponse impulsionnelle du canal estime . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.4 Erreur destimation du canal pour direntes variantes destimateurs (simulation MC) : a)
sans slection, b) une slection des trajets les plus nergtiques est ralise . . . . . . . . . . . 124
5.5 Calcul de la matrice dauto-corrlation pour une squence non-priodique porteuse dinformation126
5.6 Structure gnrale du rcepteur retour de dcision avec une hypothse sur le symbole courant129
5.7 Rponse impulsionnelle du canal, estime frquence symbole par une solution de type cor-
rlateur pour le signal : a - 1 ; b - 2 ; c - 3 ; d - 4 ; e - 4 avec sur-chantillonage . . . . . . . . . 132
5.8 Rponse impulsionnelle du canal, estime frquence chip par la solution de type ltrage de
Kalman linaire, pour le signal : a - 1 ; b - 2 ; c - 3 ; d - 4 ; e - 4 avec sur-chantillonage . . . . 133
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
TABLE DES FIGURES ix
5.9 Constellation obtenue la sortie de la structure RAKE avec les coecients du canal estims
par ltrage de Kalman linaire, frquence chip, pour le signal : a - 1 ; b - 2 ; c - 3 ; d - 4 ; e -
4 avec sur-chantillonage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.1 a) Intervalle de CI possibles dduit par la propagation inverse ; b) Forme de la fonction inverse
f
1
() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6.2 Fonction caractristique dun gnrateur probabiliste de Bernoulli . . . . . . . . . . . . . . . 139
6.3 a) Histogramme de la distribution de probabilit discrte ; b) Gnrateur probabiliste de Bernoulli145
6.4 Limites des trajectoires qui dterminent lintervalle rcurrent des CI et la trajectoire rgnre
pour la squence informationnelle : a) #1 ; b) #2 . . . . . . . . . . . . . . . . . . . . . . . . . 146
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Liste des tableaux
1.1 Classication des rgimes permanents en fonction du spectre Lyapunov . . . . . . . . . . . . 12
2.1 Performances des transformations EKF et Unscented pour direntes congurations de la
distribution initiale et de non-linarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1 Les moments dordre un et deux de la v.a. rsultant de la transformation dune v.a. gaussienne
par un polynme de Chebyshev (ordre des polynmes 2, 3 et 4) . . . . . . . . . . . . . . . . . 67
4.1 Paramtres des signaux choisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2 Paramtrage du modle destimation de la phase . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.1 Paramtres des signaux traits et rsultats obtenus . . . . . . . . . . . . . . . . . . . . . . . . 130
6.1 Probabilit dapparition des symboles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
x
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Liste des acronymes et abrviations
BPSK Binary Phase Shift Keying
C/S Rcepteur ltrage de Kalman parallle Code/Symbole
C/S/P Rcepteur ltrage de Kalman parallle Code/Symbole/Phase
CD3S Chaotic Direct-Sequence Spread Spectrum
CDKF Central Dierence Kalman Filter
CDMA Code Division Multiple Acces
CDMA2000 Standard CDMA2000
CI Conditions Initiales
COOK Chaos On-O Keying
CSK Chaos Shift Keying
DCSK Dierential Chaos Shift Keying
DD1 Divided Dierence - 1st order
DD2 Divided Dierence - 2nd order
DLL Delay Locked Loop
DS Direct Sequence
DSP Densit Spectrale de Puissance
EKF Extended Kalman Filter
EQM = MSE Erreur Quadratique Moyenne
ExPKF Exact Polynomial Kalman Filter
FSK Frequency Shift Keying
FH Frequency Hopping
GPS Global Positioning System
HOUF High Order Unscented Filter
IEKF Iterated Extended Kalman Filter
IS-95 Interim Standard 95
xi
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
LISTE DES ACRONYMES ET ABREVIATIONS xii
KF Kalman Filter
LMMSE Linear Minimum Mean Square Error
LZW Algorithme de compression Lempel-Ziv-Welch
MC Monte Carlo
NEB Nombre dErreurs Binaires
NEES Normalized Estimation Error Squared
PSK Phase Shift Keying
RAKE-MRC Rcepteur RAKE Maximum Ratio Combining
scaled-UKF Variante scaled de Filtre de Kalman Unscented
SMC Sequential Monte Carlo
SNR Signal to Noise Ratio
SS Spread Spectrum
TEB Taux dErreurs Binaires
TH Time Hopping
UKF Unscented Kalman Filter
v. a. Variable Alatoire
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Notations mathmatiques
R Ensemble des rels
Z Ensemble des entiers
N Ensemble des entiers naturels
x Drive du vecteur dtat x

x
f Gradient de la fonction f par rapport au vecteur x
f
1
() Inverse de la fonction f ()
A
T
Oprateur de transposition pour la matrice A
I
N
Matrice identit de dimension N

i
Exposant de Lyapunov de rang i
^
_
,
2
_
Distribution normale de moyenne et de variance
2
x Vecteur x estim
N
x
Dimension du vecteur x
E [] Esprance mathmatique
p (x[Y) Densit de probabilit de la v. a. x conditionne au vecteur
dobservation Y
v
k
Etat associ au bruit de processus
n
k
Etat associ au bruit dobservation
Q Covariance du bruit de processus
R Covariance du bruit dobservation
x Valeur moyenne de la v.a. x
P
xx
Matrice de covariance pour la v.a. x
P
xy
Matrice de trans-covariance entre les v.a. x et y
x
k]k
Etat estim linstant k
P
k]k
Covariance des erreurs linstant k
xiii
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
NOTATIONS MATHEMATIQUES xiv
x
k+1]k
Etat prdit linstant k + 1, en sachant la statistique
linstant k
P
k+1]k
Covariance des erreurs prdite linstant k + 1, en sachant
la statistique linstant k
K
k
Gain de Kalman linstant k
x
(i)
Point sigma de rang i (transformation Unscented)
W
(i)
Pondration associe au point x
(i)
(transformation
Unscented)

D
z
f Oprateur daccroissement centr de premier ordre associ
la fonction f (z)

D
2
z
f Oprateurs daccroissement centr de deuxime ordre
associ la fonction f (z)
C
n
i
Coecient binomial
m
x
i:j
Vecteur de moments centrs de la v.a. x avec les ordres
compris entre i et j
0
ij
Matrice de dimension i j avec tous les lments nuls
1
N
Vecteur colonne de dimension N avec tous les lments
gaux 1
Produit de Hadamard
(x) Densit de probabilit limite
T
p
(x) Polynme de Chebyshev dordre p

(i)
k
NEES linstant k, en considrant une simulation Monte
Carlo particulire (de rang i)

2
() Loi de chi-deux value en
b
k
Variable associe aux symboles informationnels linstant k
F
b
Frquence symbole
c
k
Variable associe au code dtalement (chip) dans un
systme CD3S, linstant k
F
c
Frquence chip
| Partie entire du nombre
_

k

k
_
T
Variables associes lestimation de phase, linstant k
diag [x] Matrice diagonale avec les elements du vecteur x sur la
diagonale

cc
() Matrice dauto-corrlation
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
NOTATIONS MATHEMATIQUES xv
P

Matrice de covariance des erreurs asymptotique


K

Gain de Kalman asymptotique


|h| Norme Euclidienne du vecteur h
S Alphabet des symboles disponibles S
n]
P
n
Probabilit dapparition du symbole S
n]
Opration runion densembles
Opration intersection densembles
H Entropie dun alphabet source
card Cardinal dun ensemble
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Introduction
Lemploi du chaos pour la transmission scurise de linformation a t considr dans les derniers annes
comme une solution trs prometteuse pour augmenter les performances des systmes de transmission actuels.
Ainsi on trouve dans la littrature une multitude dapplications et dtudes raliss concernant plusieurs
aspects de la transmission. Grce ses caractristiques quasi-stochastiques le chaos ore une solution possible
pour les systmes probabilits rduites de dtection et dinterception ainsi que des applications dans laccs
multiple.
En contradiction avec ces aspects positifs qui font du chaos une solution trs attirante, il faut prciser
qua priori la synchronisation entre deux systmes dynamiques chaotiques, ncessaire la rcupration de
linformation transmise, est dicile raliser. Dans ce travail de thse nous nous sommes concentrs sur une
solution de synchronisation estimation dtat, susceptible dorir eectivement les meilleures performances
possibles. Ainsi le document est organis sous la forme suivante.
La premire partie est destine lintroduction des lments fondamentaux associs aux systmes dy-
namiques en gnral et en particulier aux systmes chaotiques. Ainsi les modles gnraux qui dnissent
les systmes dynamiques en temps continu et en temps discret seront prsents en mme temps avec les
notions despace des phases et de trajectoire. A partir de ces dnitions une classication de comporte-
ments dynamiques est par la suite facile construire en les sparant en quatre catgories spciques : points
dquilibre, rgime priodique, rgime quasi-priodique et particulirement le rgime chaotique [Ser04]. Plu-
sieurs mthodes gnralement tablies pour faire la classication existent mais nous allons nous limiter
la prsentation des exposants de Lyapunov, qui par leurs caractristiques orent une solution facile et trs
able.
Un sujet qui a reu beaucoup dattention dans notre tude est la synchronisation des systmes chaotiques
en gnral et en particulier dans le cas des dynamiques en temps discret. La notion de synchronisation
chaotique sera voque et les ides principales de la mthode de synchronisation chaotique par ltrage de
Kalman seront prsentes [Fow89]. Ceci est important car dans un chapitre ultrieur un apport thorique
sera propos sur ce sujet.
Un deuxime point tudi est lapplication des systmes chaotiques la transmission de linformation et en
1
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
INTRODUCTION 2
particulier aux systmes talement de spectre ; Ainsi une prsentation globale de tels systmes est propose,
posant les bases des structures qui sont dveloppes. Sont prsentes ensuite les solutions courantes de
transmission porteuse chaotique dont les plus connues sont les mthodes CSK cohrentes et non-cohrentes,
ainsi que ltalement de spectre par squence chaotique directe.
Etant donn les performances suprieures et la gnralit prouves par les mthodes de synchronisation
chaotiques ltrage de Kalman, une prsentation de ces estimateurs adapts aux cas non-linaires devient
importante. Ainsi on observe que lestimation dtat ralise sur un modle non-linaire est totalement dif-
frente du cas linaire, tant caractrise surtout par une certaine sous-optimalit. Ceci se rete sur le fait
quon est presque toujours contraints de considrer quelques hypothses simplicatrices sur la propagation
des distributions travers le modle o mme des hypothses sur le modle lui-mme. Dans cette ordre
dide, le deuxime chapitre devient un chapitre dtat de lart sur le ltrage de Kalman non-linaire, limit
aux mthodes le plus utilises dans la pratique. Ainsi on introduit dabord le ltrage de Kalman Etendu
comme la plus simple solution de ltrage non-linaire qui remplace le modle par sa version linarise donne
par le premier terme dans la srie de Taylor.
Rcemment nous avons t tmoins de plusieurs nouvelles solutions de ltrage Kalman qui essayent
daugmenter sensiblement les performances destimation en limitant de mme au maximum le cot de calcul.
Une telle solution est reprsente par le ltrage de Kalman Unscented [JU97], et sa version dordre suprieur
(le HOUF), qui proposent la propagation dun ensemble de points de dimension bien tablie travers le
modle non-linaire. Cet ensemble de points permet par la suite lestimation de la statistique dordre deux
de la v.a. transforme une prcision bien limite en ce qui concerne les moments dordre suprieur pris
en compte. Une approche similaire est suivie par le ltrage Kalman de type Central Dierence [NPR00a],
qui peut tre vu comme une gnralisation du ltre Unscented, mais pour les positions de points la formule
dinterpolation de Stirling est utilise.
Finalement deux autres solutions seront proposes qui approchent plus le critre doptimalit, dont la pre-
mire considre lapproximation de la distribution qui caractrise ltat courant par une somme de gaussiennes
et la deuxime est le trs connu ltrage particulaire. On va introduire ces deux variantes succinctement,
cause du cot de calcul requis, en paramtrant les algorithmes pour un fonctionnement quasi-optimal.
Ce but de recherche dune mthode de ltrage quasi-optimale va tre abord dans le troisime chapitre
o un algorithme original de ltrage Kalman est propos. Le point de dpart reprsente le fait que la
classe des fonctions polynomiales est largement utilise pour modliser beaucoup de processus dont une
estimation dtat est recherche. Ce sera le cas des dynamiques gnratrices chaotiques que nous allons
utiliser, appartenant la classe trs importante des polynmes de Chebyshev.
Ainsi avec ces hypothses du modle polynomial on va dmontrer que la statistique dune v. a. qui subit
une transformation non-linaire peut tre calcule analytiquement comme une expression de ces moments
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
INTRODUCTION 3
et des coecients du polynme qui reprsente la fonction. En plus de cette dmonstration on va dduire
aussi un ensemble de relations matricielles qui rendent lapplication de cette transformation exacte trs facile
en pratique. A partir des expressions dduites la mise en forme dun algorithme rcursif de Kalman Exact
devient immdiate.
On va appliquer cette formulation la synchronisation chaotique, en comparant avec dautres estimateurs.
Ainsi en utilisant ce modle de synchronisation on va dmontrer que la solution propose ore les meilleures
performances du point de vue de la stabilit et de la consistence du ltre, ainsi quimplicitement de lerreur
de synchronisation. Soulignons que la synchronisation chaotique nest quun problme particulier pouvant
bncier des performances du ltre de Kalman exact propos, beaucoup dautres applications pourraient en
fait proter de cette approche.
Avec le problme de synchronisation chaotique trait, on passe dans le quatrime chapitre aux systmes
de communications numriques qui peuvent tre dvelopps par la suite. Toutes les solutions de rcepteurs
qui seront prsentes sont bases sur une mthode dtalement de spectre par squence directe, o le code
dtalement est reprsent par une squence chaotique.
Du ct du rcepteur, il est tout dabord propos un modle destimation parallle du code et du symbole,
cette structure simplie beaucoup le mcanisme de synchronisation qui est couramment employ dans les
systmes classiques. A partir de cette structure on va gnraliser par la suite le modle une estimation
parallle du code, du symbole et de lerreur de phase rendant ainsi le rcepteur trs simple avant lentre
dans le dmodulateur qui travaille frquence chip. En plus de cette estimation de phase le systme sera
complt par une boucle de contrle automatique du gain, pour faire face aux ventuelles variations du gain
dans le canal de communication. Ces rcepteurs que lon qualiera de complets sont tests par la suite dans
plusieurs congurations de canal (stationnaire o non-stationnaire en phase et en amplitude) par rapport
un critre de taux derreurs binaires (TEB). Un autre type de test concerne linuence de la non-linarit
gnratrice de la squence dtalement, de la mthode destimation utilise ainsi que le gain dtalement par
rapport au mme critre de TEB.
Cette structure parallle du rcepteur va tre dveloppe par la suite pour faire face aux canaux plus
diciles de communications acoustiques sous-marines. Ainsi un modle gnral adapt la propagation par
trajets multiples sera introduit avec des paramtres individuels de gain et phase pour chaque trajet pris
en compte. Cette solution nale sera mise lpreuve sur des signaux rels, et une comparaison avec un
rcepteur de type RAKE-MRC sera mene. Les rsultats vont prouver que la solution propose peut faire
face aux conditions diciles de canal mais elle devient plus dure matriser sur des canaux faible SNR, o
un reparamtrage du rcepteur peut savrer ncessaire.
En plus du paramtrage du rcepteur, un problme crucial qui inuence les performances des systmes
qui travaillent sur des canaux trajets multiples est lestimation du canal. En plus de lestimation correcte
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
INTRODUCTION 4
des coecients, lemploi dune squence dtalement chaotique, par exemple, va dterminer la prsence des
termes dinterfrence dont les valeurs seront inconnues. Dans ces conditions on va proposer dans le cinquime
chapitre un modle destimation des coecients du canal une frquence suprieure o gale la frquence
chip, qui va utiliser la matrice dautocorrlation de la squence dtalement. On divise lapproche en deux
directions : la premire va considrer le cas dune squence dtalement courte et la deuxime ne va pas faire
dhypothse sur la longueur de la squence.
Pour le cas dun code court, on va dmontrer quon peut crire un modle linaire pour lestimation des
coecients et on va proposer lemploi dun ltrage de Kalman linaire pour les estimer. Par la suite, en
utilisant une mthode de suppression des termes dinterfrence, le modle gnral se simplie nalement
sous la forme dun ltrage de Kalman mono-dimensionnel. Base sur ce modle une solution thorique
asymptotique sera dveloppe et plusieurs tapes pour augmenter la vitesse de convergence du ltre seront
prsentes.
En ce qui concerne le cas des squences longues une simplication similaire ne peut pas tre ralise sans
des hypothses sur la matrice dautocorrlation qui intervient dans le calcul. Avec ces hypothses prises en
compte, on va obtenir de mme une solution mono-dimensionnelle et par la suite sa variante asymptotique.
Toutes ces solutions seront mises lpreuve en contexte de transmission acoustique sous-marine.
En plus de ces considrations sur la faon dont la synchronisation chaotique est tablie et la structure
physique du rcepteur qui exploite celle-ci, un systme de communication comprends aussi une tape de
codage qui travaille directement sur linformation numrique. En tudiant les caractristiques de certains
systmes dynamiques chaotiques on a observ que celles-ci peuvent englober des paramtres statistiques
associs linformation qui doit tre transmise. Ainsi dans la dernire partie de ce document on va introduire
un gnrateur particulier, similaire au populaire systme dynamique de Bernoulli, et on va dmontrer par la
suite quil existe une relation entre ce nouveau type de gnrateur et lalphabet des symboles qui forment la
squence informationnelle.
Une fois le gnrateur construit, on va utiliser une approche de dynamique symbolique pour montrer
quune squence informationnelle quelconque, laquelle est associ le gnrateur quivalent, va se transformer
par propagation, dune faon unique dans un intervalle de conditions initiales. Cette transformation dune
squence informationnelle dans un intervalle a t dj prsente dans la littrature comme compression
arithmtique [Abr63]. En eectuant les calculs de performance de la mthode de compression chaotique ainsi
introduite on observe que cette solution est quivalente lapproche arithmtique, en atteignant la borne
reprsente par lentropie informationnelle de la squence initiale. Mme si les performances de compression
sont similaires la solution reprsente une nouvelle application du chaos la transmission de linformation.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Chapitre 1
Systmes dynamiques chaotiques et
transmission de linformation
1.1 Introduction
Les systmes dynamiques tranges (chaotiques) sont depuis longtemps connus dans le domaine des ma-
thmatiques mais cest seulement au cours de la dernire dcennie que les applications concrtes se sont
multiplies. Notre tude se focalise sur lusage du chaos pour transmettre de linformation. Dans cette pers-
pective, ce chapitre est destin lintroduction de quelques outils de base associs ces deux domaines dont
lintersection fait lobjet de notre tude. Ce chapitre peut tre vu comme une synthse bibliographique com-
pacte sur les transmissions chaotiques, dont lintrt principal est de mieux mettre en vidence loriginalit
des rsultats que nous proposerons par la suite. Le lecteur avis pourra directement consulter le chapitre
suivant.
Ce chapitre est organis de la manire suivante. Premirement nous prsentons les aspects gnraux
des systmes dynamiques chaotiques et dans la deuxime section on continue par la prsentation des deux
mthodes de synchronisation associes ce type de systmes. Les aspects de communications numriques par
mthodes talement de spectre seront introduits dans la section III, et dans la dernire partie des solutions
classiques destines aux systmes de communications porteuse chaotique sont voques.
1.2 Le chaos : dnition et proprits
Le chaos est dni gnralement comme un comportement particulier dun systme dynamique dtermi-
niste non-linaire. Du point de vue mathmatique la notion gnrale de systme dynamique est dnie son
5
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 6
tour partir dun ensemble de variables qui forment le vecteur dtat x = x
i
R , i = 1...n o n reprsente
la dimension du vecteur. Ce jeu de variables a la proprit de caractriser compltement ltat instantan du
systme dynamique gnrique. En associant en plus un systme de coordonnes on obtient lespace dtat qui
est appel galement lespace de phase. Conjointement avec lespace dtat un systme dynamique est dni
aussi par une loi dvolution, gnralement dsigne par dynamique, qui caractrise lvolution de ltat du
systme en temps. La notion de dterminisme provient du fait que le systme considr est compltement
caractris par son tat initial et sa dynamique.
1.2.1 Dnition des systmes dynamiques
Un systme dynamique en temps continu est dcrit par un systme dquations direntielles, alors quen
temps discret on parle dun systme dquations aux dirences nies [Ken94, Ser00, Ser04] :
temps continu
x(t) = F(x(t) , t) (1.1)
o F : R
n
R
+
R
n
dsigne la dynamique du systme.
Si on associe cette dynamique un tat initial x
0
= x(t
0
), pour chaque couple choisi (x
0
, t
0
) on peut
identier une solution unique (; x
0
, t
0
) : R
+
R
n
telle que :

F
(t
0
; x
0
, t
0
) = x
0
et

F
(t; x
0
, t
0
) = F(
F
(t; x
0
, t
0
) , t)
(1.2)
Cette solution unique dtermine avec laide des quations (1.2), et qui fournit lensemble dtats successifs
occups par le systme chaque instant t, sappelle gnralement trajectoire.
On considre lexemple du celbre systme de Lorenz donn par les quations suivantes [Lor63] :
dx
dt
= (y x)
dy
dt
= x( z) y
dz
dt
= xy b (1.3)
Les paramtres pour lexemple de trajectoire donn dans la gure 1.1 ont t choisis de la manire
suivante : = 10, = 28, b = 8/3 avec la condition initiale (x
0
, y
0
, z
0
) = (2, 5, 20).
On observe que la dynamique du systme de Lorenz donne par les quations (1.3) est indpendante de
linstant t considr, et gnralement ce type de systme est quali dautonome. La dynamique dans ce cas
particulier a la forme suivante :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 7
20
10
0
10
20 40
20
0
20
40
0
10
20
30
40
50
y
(x
0
,y
0
,z
0
)
Ex. de trajectoire Lorenz
x
(x
t
,y
t
,z
t
)
z
Fig. 1.1 Exemple de trajectoire pour le systme Lorenz
x(t) = F(x(t)) (1.4)
temps discret
Comme il a t dj prcis le systme dynamique est dans ce cas reprsent par des quations aux dirences
nies, avec le modle gnral suivant :
x(k + 1) = G(x(k) , k) (1.5)
o G : R
n
Z
+
R
n
dsigne la dynamique du systme en temps discret.
De mme quen temps continu, si on associe cette dynamique un tat initial x
0
= x(k
0
), pour chaque
couple choisi (x
0
, k
0
) on peut identier une solution unique
G
(; x
0
, k
0
) : Z
+
R
n
telle que :

G
(k
0
; x
0
, k
0
) = x
0
et
G
(k + 1; x
0
, k
0
) = G(
G
(k; x
0
, k
0
) , k)
(1.6)
En temps discret on dnit aussi le systme autonome comme une dynamique qui ne dpend pas de
linstant k :
x(k + 1) = G(x(k)) (1.7)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 8
1.2.2 Comportement des systmes dynamiques
A partir dun tat initial x
0
et aprs un rgime transitoire, la trajectoire dun systme dynamique atteint
une rgion limite de lespace des phases. Ce comportement asymptotique obtenu pour t, k est une des
caractristiques les plus importantes tudier pour tout systme dynamique. Si dans le cas dun systme
linaire la solution asymptotique est indpendante de la condition initiale et unique, en prsence de non-
linarits il existe une plus grande varits de rgimes permanents, parmi lesquelles on trouve, par ordre de
complexit : points dquilibre, solutions priodiques, solutions quasi-priodiques et chaos, respectivement. Il
faut prciser que cette fois le comportement dvelopp par un systme dynamique particulier est fortement
dpendant de la condition initiale choisie [Ser97].
Par la suite on va dnir et illustrer les comportements voqus ci-dessus, en utilisant une dynamique trs
connue dans la thorie des systmes non-linaires ; Il sagit de lquation logistique dnie par lexpression
suivante [Kra99, Wei] :
x
k+1
= f (x
k
) = rx
k
(1 x
k
) (1.8)
Dans les gures 1.2 on montre la dynamique propre lquation logistique ainsi que certains modes
asymptotiques particuliers. Le mcanisme de construction dune squence est tout dabord montr sous la
forme dun diagramme en toile (web diagram [Tab89]). Cette mthode permet la gnration de la squence
choisie, graphiquement en utilisant la projection des tats successifs par rapport la diagonale principale (g.
1.2 a) ; r = 3.9). Dans la partie b) est prsent le diagramme de bifurcation qui montre la distribution des tats
limites pour dirents choix du paramtre r. On appelle cette reprsentation diagramme de bifurcation parce
que le comportement asymptotique subit, pour des valeurs du paramtre r bien dtermines, une bifurcation
de lensemble des tats limites. Dans le cas continu la bifurcation se manifeste comme une multiplication des
trajectoires possibles. Pour cette reprsentation on a choisi pour chaque valeur r [1, 4] une squence de 500
chantillons avec une priode de transition de 50 chantillons.
Par la suite pour chaque type de rgime permanent on a :
points dquilibre : Dans ce cas, la solution asymptotique est reprsente par un point, sa valeur tant
dtermine en fonction de la condition initiale choisie. Ainsi, pour des conditions initiales direntes
on peut retrouver plusieurs points dquilibres. De mme ces points peuvent tre stables ou instables
suivant que les trajectoires voisines convergent ou divergent entre-elles. Dans le cas de la dynamique
logistique, on observe que pour toute valeur r [1, 3], le rgime permanent est form par un point limite
stable, sa valeur tant dpendante du choix de paramtre r. La gure 1.2 c) nous donne un aperu
dune telle trajectoire pour r = 2. Ainsi on observe quaprs une priode de transition relativement
courte la squence se stabilise autour du point xe qui cette fois est x

= 0.5.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 9
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Diagramme devolution pour la fct. logistique (WEB DIAGRAM) | r = 3.9
x
k
x
k
+
1
Caractristique
Diagonale
Propagation dtat
1 1.5 2 2.5 3 3.5 4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Le diagramme de bifurcation pour la fct. logistique
r
x
a) b)
0 5 10 15 20 25 30 35 40 45
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Squence gnre par la fct. logistique | r = 2
k
x
k
x
0
= 0.87
Etat limite
Sq. gnre
0 5 10 15 20 25 30 35 40 45
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Squence gnre par la fct. logistique | r = 3.2
k
x
k
x
0
= 0.87
Etats limites
Sq. gnre
c) d)
0 5 10 15 20 25 30 35 40 45
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Squence gnre par la fct. logistique | r = 3.55
k
x
k
x
0
= 0.87
Etats limites
Sq. gnre
0 5 10 15 20 25 30 35 40 45
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Squence gnre par la fct. logistique | r = 3.9
k
x
k
Sq. gn. x
0
= 0.87
Sq. gn. x
0
= 0.8701
e) f)
Fig. 1.2 tude du comportement dynamique pour la fonction logistique (eq. 1.8) : a) gnration de la
squence rcursive (web diagram) ; b) le diagramme de bifurcation ; c,d,e) squence gnre et tats limites
pour r = 2, 3.2, 3.55 ; f) squences gnres et sensibilit aux CI pour r = 3.9 (comportement chaotique).
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 10
rgime priodique : Le rgime asymptotique permanent priodique correspond une trajectoire
dont les rpliques dune portion lmentaire sont espaces des intervalles nT, n N
+
, T dsignant la
priode. Pour la fonction logistique on a choisi deux exemples pour le paramtre r = 3.2 puis r = 3.55.
Pour le premier cas, ce choix nous garantit que lensemble des tats limites est form par deux points, et
la priode correspond deux chantillons (gure 1.2 d). La deuxime solution nous permet daugmenter
la dimension de lensemble des tats limites et la priode de rptition 8 (gure 1.2 e).
rgime quasi-priodique : correspond une somme de solutions priodiques dont le rapport des
priodes est un nombre irrationnel. Un rgime quasi-priodique peut tre reprsent dans lespace
dtat par un tore.
rgime chaotique : le rgime chaotique est par dnition tout rgime permanent qui nappartient
aucune des classes prsentes antrieurement. Une telle solution a une trajectoire asymptotique borne
avec une extrme sensibilit aux conditions initiales. Ainsi deux trajectoires gnres partir de CI
(conditions initiales) trs proches, vont diverger trs vite lune par rapport lautre. Cette sensibilit par
rapport aux CI traduit aussi le comportement en apparence stochastique des gnrateurs chaotiques,
de telle sorte quune prvision long terme du comportement du systme est impossible. Dans la gure
1.2 f) un exemple est donn pour deux CI espaces par une valeur de 10
4
et on peut observer que
juste aprs quelques itrations les deux trajectoires divergent et deviennent non-corrles.
Gnralement, lensemble des solutions asymptotiques stables dcrites ci-dessus est quali dattracteur ;
Il reprsente la rgion de lespace dtat au voisinage de laquelle les trajectoires restent connes lorsque
t, k . En parallle avec la dnition de lattracteur apparait la notion de bassin dattraction qui est
dni comme la rgion de lespace dtat forme par lensemble des CI partir desquelles lattracteur sera
atteint.
1.2.3 valuation du comportement dynamique
La prsence dun comportement chaotique pour un systme dynamique quelconque peut tre dtermine
par limination de comportements introduits auparavant : si son comportement asymptotique nest pas un
point xe, priodique ou quasi-priodique on conclut quil est chaotique. Mais dans le cas o la dynamique
employe pour gnrer la squence observe nest pas connue et si en plus un bruit aecte les observations une
telle mthode nest pas envisageable. Par consquence, la communaut scientique a propos des solutions
avec une approche statistique du problme comme le calcul de la dimension de corrlation [GP83a], lentropie
de Kolmogorov [GP83b] ou les exposants de Lyapunov [WSSV85, ABK91]. La dimension de corrlation est
un outil qui ore la possibilit de dterminer la dimension de lattracteur reconstruit partir dune srie
temporelle observe, tandis que lentropie ou les exposants de Lyapunov sont employs pour lvaluation de
linstabilit propre au phnomne chaotique. Dans la pratique ces exposants se sont imposs comme des outils
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 11
14
12
10
8
6
4
2
20
10
0
15
20
25
30
35
40
Sphre de CI
Fig. 1.3 Sensibilit aux CI - systme de Lorenz
performants, mme dans le cas de sries temporelles courtes, avec un cot de calcul relativement rduit par
rapport la dimension de corrlation ou lentropie de Kolmogorov.
Dans ce chapitre nous nous limiterons la description des exposants de Lyapunov, solution que nous
jugerons la plus pertinente dans le contexte des systmes dimension dtat rduite destins aux commu-
nications numriques. Ainsi les exposants de Lyapunov se dnissent comme une mesure invariante propre
un systme dynamique qui caractrise la sparation exponentielle en temps de deux trajectoires proches.
Cette proprit est aussi qualie de sensibilit aux CI, mais elle se rfre gnralement la divergence de
trajectoires nimporte quel instant temporel [ABK91]. Ainsi dans le cas dun attracteur chaotique, deux
trajectoires initialement voisines vont diverger une vitesse exponentielle quantie par lexposant de Lyapu-
nov. Gomtriquement, cela se traduit par le fait que si on choisit un ensemble de CI situes dans une sphre
inniment petite (de diamtre (0)) dans le bassin dattraction du systme dynamique de dimension n; sous
leet de la dynamique cette sphre va se dformer pour se transformer en ellipsode. Le i-me exposant de
Lyapunov se dnit alors en fonction de la dformation subie sur la i-me direction [WSSV85] comme :

i
= lim
t
1
t
ln

i
(t)

i
(0)
, i = 1...n (1.9)
Lensemble
i

i=1...n
constitue le spectre de Lyapunov. Dhabitude les exposants sont classs par ordre
dcroissant :
i

i+1
, i = 1...n 1.
Dans la gure 1.3 on montre lexemple dun ensemble de CI choisies dans le voisinage dune valeur situe
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 12
Rgime permanent Attracteur Spectre
Exposants
Lyapunov
point dquilibre point
composante
continue
0 >
1
...
n
priodique courbe ferme
frq. fondamentale
+ harmoniques
entires

1
= 0
0 >
2
...
n
quasi-priodique tore
composantes
frquentielles en
rapport irrationnel

1
= ... =
i
= 0
0 >
i+1
...
n
chaotique fractale spectre large

1
> 0
0
2
...
n
Tab. 1.1 Classication des rgimes permanents en fonction du spectre Lyapunov
dans le bassin dattraction pour le systme de Lorentz. On observe par la suite les dformations de cette
sphre initiale des instants dirents. De cette faon on remarque que les dformations ne sont pas uniformes
dans toute la rgion qui dnit lattracteur. Pour caractriser ce comportement Abarbanel [ABK91] a dni
le spectre de Lyapunov associ localement un point dans lattracteur. Des dtails sur la construction de ces
exposants locaux ainsi que les proprits qui les concernent sont disponibles dans lannexe A.
Il faut noter que lexistence dun attracteur ncessite que la dynamique de ce systme soit globalement
dissipative. Cela signie que le systme doit tre caractris par une stabilit globale qui correspond la
condition suivante sur le spectre de Lyapunov :
n

i=1

i
< 0 (1.10)
Si le spectre de Lyapunov reste une des plus robustes mthodes pour valuer le comportement dynamique
dun systme quelconque, le spectre de frquence peut donner aussi des indices sur le rgime permanent.
Les divers critres permettant de caractriser la dynamique dun systme quelconque sont regroups dans le
tableau 1.1 [Ken94].
1.3 Synchronisation du chaos
Lemploi dun signal chaotique dans le domaine des tlcommunications pose directement le problme
de synchronisation du rcepteur dans le but de dupliquer le signal chaotique employ lmetteur. Dans
la section prcdente nous avons montr la sensibilit trs importantes aux CI des systmes chaotiques, et
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 13
premire vue la synchronisation chaotique parait dicile raliser. A la dirence de la synchronisation
classique employe dans les systmes de tlcommunication o lon cherche reproduire juste une priode
doscillation, la synchronisation chaotique prsente plus de contraintes.
Dans la littrature plusieurs concepts de synchronisation chaotique ont t proposs tout dabord avec les
travaux de Yamada et Fujisaka [YF83, YF84] qui ont utilis une approche locale de la synchronisation chao-
tique. Par la suite Afraimovich et al. [AVR83] ont dvelopp les concepts importants lis la synchronisation
chaotique et ultrieurement Pecora et Carroll [PC90] ont dni la synchronisation chaotique connue sous le
nom de synchronisation identique, dveloppe sur la base de circuits chaotiques coupls, avec lun matre et
lautre esclave ; Ces travaux ont ouvert la voie des applications du chaos aux tlcommunications.
Une autre solution plus rcente est la mthode de synchronisation gnralise, dont Rulkov et al. ont
pos les bases [RTA94, RSTA95, Rul96] et qui a ensuite t tudie dans [KP95] et [PC00] ; Cette approche
considre aussi une paire de systmes congurs en matre-esclave mais cette fois le couplage nest pas rserv
lidentit. En parallle avec ces tudes est apparue la notion de synchronisation de phase entre deux circuits
chaotiques coupls, dans ce cas la synchronisation vise raliser une cohrence de phase entre les variables
dtat des systmes considrs [RPK97, Vol97]. Finalement, plus rcemment, une nouvelle technique est
apparue avec lemploi des mthodes destimation non-linaire de type ltrage de Kalman, vues comme une
gnralisation du couplage des systmes chaotiques ; Sous certaines conditions sur le bruit dobservation,
cette approche garantit un caractre optimal de la synchronisation au sens de lEQM [LZD00, LZ01].
1.3.1 Synchronisation identique
Pour illustrer la mthode de synchronisation par couplage entre deux systmes chaotiques on a choisi
de prsenter la synchronisation identique propose par Pecora et Carroll [PC90]. Celle-ci a lavantage de
reprsenter une solution simple et performante de synchronisation dont lobjectif est que lesclave reproduise
le plus dlement possible ltat du matre, aprs un rgime transitoire.
Considrons un systme dynamique autonome, en temps continu, de dimension n, reprsent par la
relation suivante :
x(t) = F(x(t)) (1.11)
o x = [x
1
, ..., x
n
]
T
.
Par la suite on divise le systme initial en deux sous-systmes o
1
, o
2
:
_

_
o
1
: x
1]
= F
1]
_
x
1]
, x
2]
_
o
2
: x
2]
= F
2]
_
x
1]
, x
2]
_
(1.12)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 14
avec les tats et les dynamiques dnis conformment aux relations suivantes :
x =
_
x
1]
, x
2]
_
T
x
1]
= [x
1
, ..., x
m
]
T
x
2]
= [x
m+1
, ..., x
n
]
T
(1.13)
F(x) =
_
F
1]
(x) ; F
2]
(x)
_
(1.14)
Bien sr, cette opration peut tre ralise de manire arbitraire avec une rorganisation des variables
dtat dans une ordre quelconque. On considre maintenant un deuxime sous-systme o
t
2
caractris par
une dynamique identique F
2]
, et un vecteur dtat x
2]
:
o
t
2
:

x
2]
= F
2]
_
x
1]
, x
2]
_
(1.15)
On peut dire que ce sous-systme rplique o
t
2
est un candidat susceptible de se synchroniser avec la
dynamique complte initiale. Pecora et Carroll ont dmontr que la condition ncessaire et susante pour que
cette proposition soit vraie est que le sous-systme o
t
2
soit stable [PC90] ; Hypothse qui est quivalente avec
la condition que lensemble des coecients Lyapunov du sous-systme o
t
2
soient ngatifs. Une synchronisation
parfaite peut alors tre accomplie ; les trajectoires tant asymptotiquement convergentes :
lim
t
_
_
_ x
2]
(t) x
2]
(t)
_
_
_ = 0 (1.16)
Dans la gure 1.4 on reprsente graphiquement le processus de dcomposition en sous-systmes, cette fois
avec la notation y = x
1]
+n de la variable dtat qui commande le systme o
t
2
, o n est un ventuel bruit
additif associ au canal de communication. Dans le cas pratique o la variance de ce bruit dobservation est
signicative, lquation 1.16 qui traduit la convergence asymptotique ne reste plus valable. Dans ce cas on
doit utiliser une approche de synchronisation gnralise [RSTA95].
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 15
Systme initial
Soussystme 1
Soussystme 2
MAITRE
Soussystme 2
ESCLAVE
x(t) = F(x(t))
x
1]
= F
1]
_
x
1]
, x
2]
_
x
2]
= F
2]
_
x
1]
, x
2]
_

x
2]
= F
2]
_
x
1]
, x
2]
_
y = x
1]
+n
x
2]
x
1]
Fig. 1.4 Synchronisation Matre-Esclave en utilisant la dcomposition en sous-systmes
Pour illustrer ce mcanisme de synchronisation on considre de nouveau le systme dynamique de Lorentz,
donn par les quations (1.3), avec lensemble de paramtres : = 10, = 28, b = 8/3. Lmetteur et le
rcepteur sont initialiss sparment avec des conditions initiales proches. Pour une dure de 10 secondes on les
laisse fonctionner indpendemment, ainsi on observe que les trajectoires des deux systmes deviennent assez
vite divergentes. A linstant t = 10 s on supprime la dimension x du systme rcepteur et on le remplace par
ltat correspondant ct metteur ; Cette opration va forcer les tats y et z du systme esclave converger
asymptotiquement vers les tats correspondants du systme matre. La garantie de cette convergence est
donne par les valeurs ngatives
t
2
,
t
3
0 des exposants de Lyapounov associs au systme esclave. Dans
les gures 1.5 ce comportement est dmontr graphiquement par les reprsentations des tats y = X
2
et
z = X
3
. Le diagramme de synchronisation montr pour ltat y = X
2
ainsi que la puissance de lerreur nous
conrment encore une fois quaprs une priode de transition, le systme esclave converge asymptotiquement
vers ltat de lmetteur (matre).
1.3.2 Synchronisation par ltrage de Kalman tendu
La mthode de synchronisation chaotique par ltrage de Kalman tendu a t introduite comme une gn-
ralisation des mthodes de synchronisation couplage unidirectionnel telles que la synchronisation identique.
Lestimation rcursive des tats pour un systme chaotique a t propose pour la premire fois par Fowler
[Fow89], avec des aspects sur loptimalit et la stabilit dune telle synchronisation [LZD00, LZ01, LABS06].
Plusieurs applications ont t dveloppes par la suite pour des structures de systmes de communication
avec lemploi dans la dmodulation et mme lgalisation du canal [LL01]. Lobjet de cette tude est de
proposer des structures de ltrage non-linaire innovantes, dans la continuit des travaux pr-cits.
Par exemple on considre un systme en temps discret, autonome dni par la relation gnrale :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 16
0 2 4 6 8 10 12 14 16 18 20
30
20
10
0
10
20
30
Evolution en temps des tats X
2
X
2

(
E
)

e
t

X
2


e
s
t
i
m


(
R
)
Temps [s]
Emmeteur
Rcepteur
Instant de synch.
0 2 4 6 8 10 12 14 16 18 20
0
5
10
15
20
25
30
35
40
45
50
Evolution en temps des tats X
3
X
3

(
E
)

e
t

X
3


e
s
t
i
m


(
R
)
Temps [s]
Emmeteur
Rcepteur
Instant de synch.
a) b)
25 20 15 10 5 0 5 10 15 20 25
25
20
15
10
5
0
5
10
15
20
25
Le diagramme de synchronisation X
2
X
2
X
2


e
s
t
i
m

X
2
sans synch.
X
2
synch
Position de synch.
0 2 4 6 8 10 12 14 16 18 20
0
5
10
15
20
25
30
35
40
45
50
Puissance de lerreur || X
E
X
R
||
|
|

X
E


X
R

|
|
Temps [s]
Puiss. de lerreur
Instant de synch.
c) d)
Fig. 1.5 volution des tats du systme matre et de lesclave avant et aprs synchronisation : a) y = X
2
; b)
z = X
3
; c) Diagramme de synchronisation pour ltat y = X
2
; d) Puissance de lerreur de synchronisation.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 17
Dynamique Observation
Gain Kalman Retard
x
k
x
k+1]k
x
k+1
y
k+1
z
1
f (x) h(x)
K
k+1
Fig. 1.6 Structure de lestimateur rcursif EKF
x
k+1
= f (x
k
) (1.17)
o x
k
R
n
est le vecteur dtat et f () est la dynamique non-linaire associe.
Dhabitude, pour une ecacit maximale, lon a intrt transmettre entre lmetteur et le rcepteur un
nombre dtats le plus rduit possible ; nous supposerons que le signal de contrle est un scalaire donn par
lquation suivante :
y
k
= h
T
x
k
+n
k
(1.18)
o h = [h
1
, ..., h
n
]
T
, et n
k
= ^ (0, R) reprsente lventuel bruit suppos gaussien centr, de variance
R, associ aux imperfections du canal de communication. Gnralement, dans le cadre dun ltrage rcursif
de Kalman les quations (1.17) et (1.18) sont appeles modle de processus et modle dobservation. Nous
ninsisterons pas ici sur les aspects de la thorie du ltrage non-linaire de Kalman car le chapitre suivant
sera ddi ce sujet.
Linterprtation dans le cas gnral dun tel modle est donne dans la gure 1.6 comme une structure
rtroaction qui permet lestimation de ltat partir des observations bruites [LZ01]. On note que le modle
dobservation dans ce cas ne doit pas respecter forcment une fonction linaire. Ainsi dans la partie gauche
du schma on eectue une projection de lestimation courante x
k
pour obtenir la valeur a priori du nouvel
tat estim x
k+1]k
. Dans la partie droite ce nouvel tat va incorporer linformation apporte par la nouvelle
mesure y
k+1
pour obtenir la valeur estime a posteriori x
k+1
. Le coecient de pondration K
k+1
, appel
aussi gain de Kalman, est calcul par rapport la dynamique du systme ; Il donne une valuation de la
conance accorde aux observations chaque tape de ltrage.
Cette dualit prsente par la structure de lalgorithme de ltrage se retrouve dans le dveloppement des
quations employes :
quations de mise jour temporelle, destines valuer la statistique dordre deux de ltat prdit :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 18
x
k+1]k
= f ( x
k
)
P
k+1]k
= F
k
P
k
F
T
k
(1.19)
o F
k
f [
x
k
, et P
k+1]k
reprsente la covariance des erreurs prdite.
quations de mise jour par des observations, donnant la valeur estime en utilisant la connaissance
de ltat observ :
x
k+1
= x
k+1]k
+ K
k+1
_
y
k
h
T
x
k+1]k
_
P
k+1
= (I
n
K
k+1
h) P
k+1]k
(1.20)
o I
n
est la matrice unit n n, P
k+1
reprsente la covariance des erreurs, et K
k+1
dsigne le gain de
Kalman sexprimant comme :
K
k+1
= P
k+1]k
h
T
_
hP
k+1]k
h
T
+R
_
1
(1.21)
Ainsi par lunication des relations 1.19 et 1.20 on obtient la solution rcursive suivante :
x
k+1
= f ( x
k
) +K
k+1
_
y
k
h
T
f ( x
k
)
_
(1.22)
En utilisant la dcomposition du vecteur dtat sous la forme x
k
=
_
x
1]
k
, x
2]
k
_
T
, comme en synchroni-
sation identique, on peut crire la dynamique du systme sous la forme :
f (x
k
) =
_
f
1]
_
x
1]
k
, x
2]
k
_
, f
2]
_
x
1]
k
, x
2]
k
__
T
(1.23)
Avec cette relation le parallle avec la synchronisation identique est immdiat. En considrant le systme
esclave caractris par la dynamique f
2]
_
y
k
, x
2]
k
_
o y
k
= x
1]
k
+ n
k
est le signal de synchronisation, et
avec h = [1, 0, ..., 0]
T
, K
k
= [1, 0, ..., 0]
T
nous obtenons :
x
1]
k+1
= y
k+1
x
2]
k+1
= f
2]
_
x
k
, x
2]
k
_
(1.24)
Nous voyons ainsi que la mthode de synchronisation en utilisant le ltrage de Kalman est une gnrali-
sation de la mthode de synchronisation identique prsente antrieurement.
En ce qui concerne le fonctionnement du ltre de Kalman dans le cadre de la synchronisation chaotique,
il est intressant de mentionner que si gnralement on est habitu une convergence du gain de Kalman
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 19
500 510 520 530 540 550 560 570 580 590 600
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Squence chaotique initiale | estime
k
V
a
l
e
u
r
s
Sq. initiale
Sq. estime
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Diagramme de synchronisation
Sq. initiale
S

q
.

s
t
i
m

Sq. bruite
Sq. estime
a) b)
500 510 520 530 540 550 560 570 580 590 600
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Gain de Kalman K
k
k
K
k
500 510 520 530 540 550 560 570 580 590 600
0
0.002
0.004
0.006
0.008
0.01
0.012
Covariance des erreurs
k
P
k
R
P
k
c) d)
Fig. 1.7 Exemple de synchronisation chaotique par ltrage de Kalman Etendu : a) squence initiale vs
squence estime ; b) diagramme de synchronisation ; c) volution du gain Kalman K
k
; d) volution de la
covariance des erreurs P
k
par rapport la variance du bruit dobservation R
vers une valeur xe, dans le cas de systmes chaotiques, des oscillations apriodiques du gain seront obtenues
[LZD00]. Le mme phnomne est constat au niveau de la covariance des erreurs P
k
.
Dans les gures 1.7 on considre le cas de synchronisation chaotique applique une dynamique non-
linaire mono-dimensionnelle reprsente par la fonction logistique (eq. 1.8), avec le paramtre r = 4. Ainsi
on a gnr une squence chaotique avec une longueur de 600 chantillons, aecte par un bruit dobservation
gaussien additif de variance R = 10
2
. Aprs une priode de transition de 500 chantillons on reprsente
lvolution de la squence estime, le diagramme de synchronisation, le comportement du gain de Kalman
K
k
ainsi que la covariance des erreurs estimes P
k
.
Si on parle qualitativement de performances de synchronisation, on observe que lintroduction du bruit
de mesure dans le modle va entraner limpossibilit dobtenir une synchronisation parfaite. Cela signie
que le vecteur dtat du systme matre et le vecteur dtat du systme esclave ne seront jamais gaux ; Dans
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 20
ce cas la synchronisation chaotique peut tre dnie au sens dune erreur destimation borne. Une autre
remarque peut tre faite par rapport lvolution comparative entre le gain de Kalman et la covariance des
erreurs, qui suivent une relation de proportionnalit. Analytiquement il est facile de prouver que dans le cas
mono-dimensionnel cette relation est valide [LZ01], avec un coecient de proportionnalit gal la variance
du bruit dobservation considr :
P
k
= RK
k
(1.25)
Le modle destimation employ reste assez sensible aux perturbations introduites par le bruit de ca-
nal ainsi quaux approximations faites par le ltre de Kalman Etendu. Une solution gnralement utilise
pour compenser ces approximations est de considrer la prsence dun bruit de processus associ au systme
dynamique chaotique mais un paramtrage optimal de la valeur de ce bruit est dicile faire. Dans les
chapitres qui suivent nous dmontrerons que le ltrage de type Kalman tendu nest pas la meilleure solu-
tion destimation employer, dautre variantes tant proposes pour amliorer les performances globales de
synchronisation.
1.4 Systmes talement de spectre
Ltalement de spectre dsigne un ensemble de techniques de transmission numrique de linformation
caractrises par une bande de frquence W beaucoup plus importante que celle R du signal informationnel
en bande de base. Ceci dnit le gain dtalement G
e
= W/R. Un deuxime lment important qui intervient
dans le dveloppement dun tel systme est la caractristique pseudo-alatoire des signaux employs, qui fait
que le signal transmis apparaisse comme une valeur stochastique rendant la dmodulation plus dicile par
des utilisateurs non-autoriss. Plus spciquement ltalement de spectre est utilis pour [Pro95] :
combattre les eets nfastes de linterfrence produite par un brouillage, dautres utilisateurs prsents
dans le canal ou la propagation par trajet multiple ;
masquer le signal en utilisant une faible puissance dmission, et par consquence le signal sera dicile
intercepter par un utilisateur non-autoris ;
garantir un niveau de condentialit de la transmission tant donn le caractre alatoire des signaux.
Les premires applications de ltalement de spectre datent des annes 50, essentiellement dans le domaine
militaire, avec des systmes anti-brouillage, des systmes de guidage, ou encore des prototypes de systmes
de propagation trajet multiple [Sch82, PSM82, Vit79]. Plus rcemment on voit lapparition de ltalement
de spectre couramment dans les applications militaires satellitaires avec le systme GPS et cest juste au
dbut des annes 90 que des solutions talement de spectre sont employes dans le cadre de systmes de
communications civiles avec les normes IS-95 et CDMA2000 [LM98].
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 21
Le modle donn dans la gure 1.8 reprsente la structure dun systme de communication talement de
spectre avec le but de transmettre la squence informationnelle binaire caractrise par la largeur de bande
R. La signal subit par la suite ltalement avec laide dune squence pseudo-alatoire, et il est transmit dans
le canal sur une bande utile W. Ct rcepteur on eectue lopration inverse de dstalement pour retrouver
le signal informationnel. Le ltre passe-bas est utilis pour limiter la bande du signal obtenu la bande
informationnelle R.
Fig. 1.8 Modle dun systme de communication talement de spectre
En ce qui concerne les techniques de base employes dans ltalement de spectre deux type de modulations
sont identies :
modulation PSK (Phase Shift Keying) : employe dans le cas des applications o la cohrence de phase
entre le signal transmis et le signal rceptionn peut tre maintenue pour une dure assez longue par
rapport linverse de la bande utile. Dans ce cas la squence pseudo-alatoire est utilise pour modier
la phase du signal transmis ; Ce type de modulation a reu le nom de squence directe (DS - Direct
Squence).
modulation FSK (Frequency Shift Keying) : employe dans le cas o cette cohrence de phase ne peut
pas tre maintenue cause des variations rapides de la rponse impulsionnelle du canal. Cette fois
le gnrateur pseudo-alatoire est utilis conjointement avec la modulation M-FSK pour slectionner
la frquence dmission ; Ce type de modulation a reu le nom de talement de spectre par sauts de
frquence (FH - Frequency Hopping) [Pro95].
1.4.1 talement de spectre par squence directe (DS-SS)
Pour illustrer le fonctionnement de cette mthode on considre le cas particulier o le signal informationnel
subit une modulation PSK dordre 2 (BPSK). Dans cette conguration, pour obtenir le signal tal, la
squence informationnelle (priode symbole T
s
= 1/R) est multiplie directement par la squence binaire
pseudo-alatoire voluant au rythme W (gure 1.9). Les lments binaires de la squence dtalement, appels
aussi chips auront pour priode T
c
= T
s
/G
e
= 1/W. Finalement pour la transmission le signal obtenu est
modul par une porteuse sinusodale. Ct rcepteur la structure est symtrique : on eectue tout dabord
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 22
0 5 10 15 20 25
1
0
1
Etalement de spectre sq. directe
S

q
.

i
n
f
0 5 10 15 20 25
1
0
1
C
o
d
e

d

t
a
l
.
0 5 10 15 20 25
1
0
1
S

q
.

t
a
l
.
Temps chip
0.5 0.4 0.3 0.2 0.1 0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
DSP Etalement de spectre sq. directe
D
S
P
Frquence
R/2 R/2
W/2 W/2
Sq. inf.
Sq. tal.
a) b)
Fig. 1.10 Exemple dtalement de spectre par squence directe : a) volution en temps ; b) DSP du signal
informationnel et signal tal ;
la rcupration de la porteuse et par la suite le signal est dstal par une rplique de la squence pseudo-
alatoire utilise lmission. On observe lapparition dun sous-systme de synchronisation qui permet aux
deux squences dtalement de rester en phase. Dailleurs la synchronisation reste le problme le plus dicile
matriser pour garantir une dmodulation correcte du signal informationnel.
Fig. 1.9 Modle dun systme de communication talement de spectre par squence directe
Le couple doprations talement et dstalement est li au gain de traitement dni antrieurement, ainsi
on peut tablir une relation entre la rapport signal bruit lentre du rcepteur (SNR
in
) et respectivement
le mme rapport calcul pour le signal dmodul en bande de base (SNR
out
) :
SNR
out
=
W
R
SNR
in
(1.26)
Dans les gures 1.10 on prsente un exemple dvolution en temps ainsi que le spectre de puissance pour :
le signal informationnel, le code dtalement et le signal tal.
Pour les gures 1.10 on a choisi une squence dtalement alatoire, mais dans les applications relles
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 23
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
0
0.5
1
1.5
Temps
Etalement de spectre sauts de frquence
Frquence
P
u
i
s
s
a
n
c
e
a) b)
Fig. 1.11 Systme spectre tal par sauts de frquence : a) Distribution en temps et en frquence de
lnergie mise ; b) DSP du signal tal
les squences pseudo-alatoires doivent respecter des proprits de corrlation quasi-optimales pour rduire
linuence des interfrences. Ainsi beaucoup dtudes ont t ralises pour choisir au mieux les squences
dtalement, dont on va citer ici les squences de longueur maximale et de type Gold, gnres par linter-
mdiaire des registres dcalage [Pro95]. En ce qui concerne lemploi des squences chaotiques dans une
structure dtalement de spectre similaire, nous verrons dans le paragraphe suivant que de telles tudes
existent, et des performances suprieures sont ainsi obtenues en ce qui concerne la capacit du canal par
rapport au nombre dutilisateurs disponible.
1.4.2 talement de spectre par sauts de frquence
La deuxime version de la structure talement de spectre considre une division de la bande disponible
W du canal en un nombre important de canaux sans recouvrement. Dans un intervalle temporel limit le
signal informationnel occupe ainsi un ou plusieurs canaux disponibles (g. 1.11 a), avec la slection du canal
associe la squence pseudo-alatoire considre. On peut interprter ce fonctionnement comme un signal
informationnel bande troite associ une porteuse dont la frquence eectue des sauts selon le code
dtalement. Ainsi on peut observer dans la partie b) un spectre trs dirent de celui obtenu par le systme
squence directe, en remplaant lenveloppe en [(sin x) /x]
2
par une DSP plate sur la bande de frquence
de largeur W.
Une mthode qui permet une telle implmentation est prsente dans la gure 1.12 dont le signal infor-
mationnel est dplac en frquence par lintermdiaire du synthtiseur avec une valeur reprsente par les
m bits lus la sortie du gnrateur pseudo-alatoire. Par exemple les m bits obtenus peuvent spcier un
ensemble de 2
m
1 translations possibles [Pro95].
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 24
Fig. 1.12 Modle dun systme de communication talement de spectre par sauts de frquence
Ct rcepteur on a un gnrateur pseudo-alatoire identique, synchronis, qui permet avec laide dun
synthtiseur de frquence similaire la dmodulation du signal reu. Le signal est limit ensuite la bande
utile de la squence informationnelle.
Dautres variantes de systmes talement du spectre sont disponibles dont on cite ltalement de spectre
par sauts en temps (TH - Time Hopping) ainsi que des versions qui emploient conjointement plusieurs
mthodes (FH-TH, DS-FH, ...).
1.5 Transmissions porteuses chaotiques
Les signaux chaotiques peuvent tre utiliss pour la transmission de linformation principalement dans
deux objectifs. Le premier objectif est de protger linformation transmise et dans ce cas les applications
ralises sont en comptition avec les mthodes de cryptographie classiques. Un deuxime objectif est dtaler
le signal informationnel avec tous les avantages des techniques talement de spectre. Dans ce deuxime cas,
les mthodes dveloppes doivent tre compares aux systmes classiques talement de spectre.
Si on regarde du point de vue de la structure dun tel systme de transmission on peut dnir deux
approches. Le premire, reprsente dans la gure 1.13 remplace le signal porteur sinusodal par un modu-
lateur chaotique contrl dune manire quelconque par le signal informationnel. Cette solution a lavantage
dtre trs simple implmenter mais par contre ncessite un systme chaotique avec des contraintes fortes
sur les paramtres intrinsques et en plus celui-ci doit travailler des hautes frquences. En pratique, il est
dicile de trouver des circuits permettant un tel fonctionnement et pour le moment cette solution est surtout
considre dans un cadre thorique.
Canal
Modulateur
chaotique Signal inf.
Dmodulateur
chaotique Signal inf.
rcupr
s (t)
n(t)
r (t)
Fig. 1.13 Modulation directe du signal informationnel par une porteuse haute frquence chaotique
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 25
Une deuxime solution est de moduler le signal informationnel par celui chaotique en bande de base, et
aprs dappliquer une transposition en haute-frquence par lintermdiaire dune porteuse sinusodale. Ce
schma est prsent dans la gure 1.14. Son avantage principal consiste dans une simplication importante
du modulateur chaotique, mais avec une complexit gnrale du systme plus importante [HS01].
Canal
Modulateur
chaotique
Signal inf.
Dmodulateur
chaotique
Signal inf.
rcupr
Porteuse Porteuse
s (t)
n(t)
r (t)
Fig. 1.14 Modulation en bande de base du signal informationnel par le signal chaotique, combine avec
une mise sur porteuse classique
Dans lintgralit de ce document la deuxime solution sera considre. Dans le reste de ce chapitre nous
passons en revue les principaux rsultats recenss dans la littrature sur le sujet.
1.5.1 Masquage chaotique
La mthode de masquage chaotique a t la premire solution propose dans la littrature comme ap-
plication du chaos aux communications [OWIC92, KHE
+
92]. Lide est dadditionner directement le signal
informationnel s (t) au signal chaotique y (t) et de le rcuprer ensuite par synchronisation chaotique (g.
1.15). Le mme systme est utilis la fois lmetteur et au rcepteur, avec la dirence que le rcepteur
est contrl par le signal mis pour obtenir la synchronisation. Il est dmontr [OWIC92] que grce la
synchronisation chaotique, la sortie du systme dynamique rcepteur, le signal sera plus proche du signal
chaotique original y (t) que de la somme y (t) + s (t). Ainsi avec une simple dirence on peut obtenir un
approximation s (t) du signal informationnel initial. Il est vident que la prsence dun bruit important dans
le canal de communication va aecter fortement les performances du systme.
Mme si cette mthode na pas trouv dapplications directes sur des canaux radio-frquence, elle est
envisage comme solution de cryptage sur des canaux fort SNR, comme cest le cas dans la bre optique
[ASL
+
05].
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 26
Systme
chaotique
Systme
chaotique
Emetteur Rcepteur
s (t)
y (t) y (t) s (t)
Fig. 1.15 Modulation par masquage chaotique
1.5.2 Chaos Shift Keying (CSK)
La technique CSK introduite pour la premire fois dans [DKH93, KD93], est dnie comme une modu-
lation numrique qui associe chaque symbole informationnel un attracteur o une somme dattracteurs
dirents, en se placant dans une priode de symbole de dure T. Cette dnition gnrale peut tre dvelop-
pe analytiquement avec la supposition que chaque attracteur va gnrer une fonction de base g
j
(t) et que
lensemble des signaux porteurs de linformation sexprime alors, sur lintervalle t [iT, (i + 1) T], comme
[KKC97, KKC98] :
s
i
(t) =
N

j=1
s
ij
g
j
(t) , i = 1, 2, ..., M (1.27)
o N M est le nombre de fonctions de base et M est la dimension de lespace de symboles.
Dans la gure 1.16 on prsente le schma gnrique pour un systme de communication CSK en bande de
base. Du ct de lmetteur la construction de la forme donde courante, associe au symbole i, est dnie par
lquation (1.27). Ainsi on suppose une commutation des coecients s
ij
aux instants multiples de la dure
symbole T. Si dans le cas dun systme de transmission classique les formes donde des fonctions de base
ont un caractre priodique, dans le cas du CSK cette condition ne reste plus valable cause du caractre
chaotique des attracteurs utiliss pour la gnration de ces fonctions de base.
A la rception on suppose que la forme du signal reu r
i
(t), associe au symbole i, est donne par la
version du signal mis s
i
(t) aecte par un bruit additif n(t) :
r
i
(t) = s
i
(t) + n(t) (1.28)
La structure usuelle dun rcepteur CSK repose sur une batterie de corrlateurs, en fonction du nombre
de fonctions de base N utilises par lmetteur. Les fonctions y
j
(t)
j=1...N
forment lensemble des fonctions
de base utilises pour mettre en place le mcanisme de corrlation. Nous verrons par la suite que le choix
de ces fonctions est fait par rapport une structure particulire du rcepteur. Aprs corrlation, le vecteur
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 27
DEMODULATEUR MODULATEUR
Observation
D

c
i
s
i
o
n
Symbole
estim
Signal
reu
Signal
mis
g
1
(t)
g
N
(t)
s
i1
s
iN
s
i
(t) r
i
(t)
y
1
(t)
y
N
(t)
_
T
Ts
dt
_
T
Ts
dt
T
T
z
i1
z
iN
s
i
Fig. 1.16 Systme gnrique de communication CSK
Observation
D

c
i
s
i
o
n
Symbole
estim
Signal
reu
Syst. chaotique
synchrone
Syst. chaotique
synchrone
g
1
(t)
g
N
(t)
r
i
(t)
y
1
(t)
y
N
(t)
_
T
Ts
dt
_
T
Ts
dt
T
T
z
i1
z
iN
s
i
Fig. 1.17 Rcepteur cohrent CSK
dobservation z
i
= [z
i1
, ..., z
iN
]
T
est utilis pour faire la dcision du symbole transmis s
i
. Pour cette con-
guration de rcepteur, comme dans le cas des communications numriques classiques, on peut considrer les
quatre cas suivants :
rcepteur cohrent qui utilise une mthode de synchronisation chaotique : Dans ce cas, les rfrences
y
j
(t) correspondent aux fonctions de base originales g
j
(t) reconstruites partir du signal reu
avec laide dune mthode de synchronisation chaotique (g. 1.17).
Dans cette structure le signal reu va essayer de synchroniser tous les systmes chaotiques, ainsi en
supposant que le signal transmis est s
i
(t) = g
j
(t), la sortie du j-me circuit chaotique synchrone on va
avoir une convergence de y
j
(t) vers g
j
(t) ; T
s
est le temps ncessaire pour que la synchronisation soit ralise.
En contraste avec la synchronisation de ce systme, tous les autres vont avoir un caractre divergent par
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 28
rapport au j-me attracteur. La prise de dcision sera alors faite partir de lerreur de synchronisation,
en sortie des corrlateurs ; Ainsi on peut armer sans doute que la convergence de y
j
(t) vers g
j
(t) sur
lintervalle [T
s
, T] va nous donner une observation z
ij
> z
ik
, k = 1...N, k ,= j. Avec une telle conclusion
ltape de dcision consiste prendre la valeur caractrise par lnergie maximale.
Analytiquement on peut crire que la valeur du coecient dobservation z
ij
est donne par :
z
ij
=
_
T
Ts
r
i
(t) y
j
(t) dt
=
_
T
Ts
[s
i
(t) +n(t)] y
j
(t) dt
=
_
T
Ts
g
j
(t) y
j
(t) dt +
_
T
Ts
n(t) g
j
(t) dt (1.29)
Ceci nous montre que z
ij
est une variable alatoire, dont la valeur moyenne va dpendre de lnergie par
lment binaire et de la qualit de synchronisation.
Linconvnient important prsent par cette mthode est que la synchronisation est perdue et ensuite
rcupre chaque fois que le symbole informationnel change. Ainsi le temps ncessaire pour la transmission
dun seul symbole est donn par le temps de synchronisation plus le temps destimation dont le vecteur
dobservation est calcul. Par consquence le dbit de transmission possible est limit par linverse du temps
de synchronisation.
rcepteur cohrent de type ltre adapt : si cette solution dans le cas des transmissions classiques est
quivalente aux structures cohrentes de type corrlateur, dans le cas chaotique cette solution ne peut
pas tre utilise. Limpossibilit vient du fait que les formes dondes employes dans la modulation
doivent tre connues en avance et dans le cas dun systme chaotique ces formes dondes changent dun
symbole lautre [KKC98].
rcepteur non-cohrent : dans le cas de la dtection non-cohrente la rfrence ct rcepteur ne sera
plus obtenue par lintermdiaire dune synchronisation chaotique mais par contre elle correspond une
partie du signal reu (g 1.18).
Observation Symbole
estim
Signal
reu
Seuil
r
i
(t) _
T
0
dt
T
z
i
s
i
Fig. 1.18 Rcepteur non-cohrent CSK/COOK
Dans la littrature deux systmes CSK non-cohrents sont proposs :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 29
1. systme COOK (Chaotic on-o keying) [KKK97] qui ore la plus simple solution ; Le signal informa-
tionnel binaire est directement multipli par le signal chaotique. Ce principe est quivalent associer
llment binaire 1 le signal s
1
(t) = g
1
(t) et au symbole 0 le signal s
2
(t) = 0. Dans ce cas le
rcepteur prsent dans la gure 1.18 va valuer lnergie par bit transmis et va prendre la dcision en
utilisant un comparateur seuil.
2. systme CSK non-cohrent, qui utilise des proprits qui peuvent direncier les direntes formes
donde associes aux symboles transmis, au niveau statistique par exemple. La structure prsente
dans la gure 1.18 reste la mme avec la prise dcision cette fois eectue sur les paramtres dintrt.
Gnralement ces solutions sont envisageables tant donn que les proprits statistiques entre dirents
attracteurs chaotiques sont direntiables. Par exemple dans [Yan95] les fonctions de base sont deux
signaux chaotiques caractriss par des frquences moyennes direntes ; ct rcepteur les signaux
peuvent tre identis en mesurant la valeur moyenne de la frquence quand le signal change de signe.
Dautres mthodes de modulation considrent par exemple lvaluation de la fonction dauto-corrlation
[Sch95] qui est modie selon le symbole transmettre.
rcepteur cohrent direntiel (DCSK - Dierential Chaos Shift Keying) : Dans le cas du rcepteur
cohrent CSK les fonctions de base g
i
(t) doivent tre rcupres avant que toute dmodulation soit
possible. Il existe des situations pour lesquelles cette approche est impossible cause des mauvaises
conditions de propagation. Dans ce cas la seule solution cohrente disponible est une solution diren-
tielle, ainsi on va transmettre sur une partie de la dure du symbole une rfrence, et le reste est associ
la transmission de linformation [KKC97].
Par exemple, pour la modulation DCSK binaire, le symbole 1 est reprsent par un signal de rfrence, de
dure T/2, suivi dune rplique exacte de celui-ci retarde bien sr avec la mme dure T/2. Pour le bit 0
on transmet le mme signal rfrence suivi cette fois par sa copie inverse. On peut exprimer alors le signal
produit par le modulateur pour le i-me symbole comme :
s
i
(t) =
_

_
x(t) t
i
t < t
i
+
T
2
b
i
x
_
t
T
2
_
t
i
+
T
2
t < t
i
+T
(1.30)
o x(t) dsigne le signal issu dune source chaotique et b
i
1, +1 reprsente le i-me symbole
informationnel transmettre.
Ct rcepteur la dmodulation est ralise en utilisant une structure similaire au CSK non-cohrent.
Ainsi on introduit dans ce cas une cellule retard qui permet au signal de rfrence et celui porteur de
linformation dtre en phase (g. 1.19).
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 30
Observation Symbole
estim
Signal
reu
Retard
Seuil
r
i
(t)
T/2
_
T
T/2
dt
T
z
i
s
i
Fig. 1.19 Rcepteur non-cohrent DCSK
Analytiquement la valeur z
i
observe est donne par la relation suivante :
z
i
=
_
T
T/2
r
i
(t) r
i
_
t
T
2
_
dt
=
_
T
T/2
[s
i
(t) +n(t)]
_
s
i
_
t
T
2
_
+n
_
t
T
2
__
dt
=
_
T
T/2
[x(t) +n(t)]
_
b
i
x(t) +n
_
t
T
2
__
dt
= b
i
_
T
T/2
x
2
(t) dt +
_
T
T/2
x(t) n
_
t
T
2
_
dt +
+b
i
_
T
T/2
x(t) n(t) dt +
_
T
T/2
n(t) n
_
t
T
2
_
dt (1.31)
Avec lhypothse que le bruit prsent dans le canal est blanc, le rcepteur devient un estimateur non-
biais, avec un seuil de dcision nul, indpendant de la variance du bruit prsent dans le canal. Une autre
observation doit tre faite sur le terme associ linter-corrlation avec le bruit, qui va inuencer de faon
ngative les performances. En plus de ce fait, tant donn que lnergie associe chaque symbole varie,
cause de la squence chaotique utilise, une incertitude doit tre encore prise en compte pour dterminer le
taux derreur binaire. Une solution a ce problme est demployer une modulation FM qui va nous permettre
de garder une nergie constante sur la dure du symbole (solution FM-DCSK - [KKJK98]).
Dans les dernires annes les solutions DCSK ont reues plus dattention tant donn que des systmes
accs multiple sont proposs [TLT04, MB04, XTL04] avec une valuation des performances sur des canaux
trajets multiples.
1.5.3 talement de spectre par squence chaotique directe
Dans la section 1.4 plusieurs systmes dtalement de spectre ont fait lobjet dune prsentation introduc-
tive. Parmi ces mthodes toutes ont un quivalent dans le cas des systmes de transmission chaotiques. Lide
de base est de remplacer le gnrateur de squences pseudo-alatoires par une dynamique chaotique. Bien sr
pour trouver un intrt conomique les squences chaotiques jouant le rle de squences dtalement, doivent
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 31
Fig. 1.20 Modle dun systme de communication talement de spectre par squence chaotique directe
prouver quelles orent de meilleures performances que les codes classiques (squences de longueur maximale,
Gold ...). Si dans le cas des systmes talement de spectre par sauts de frquence et sauts en temps lemploi
de squences chaotiques nest pas vraiment envisag cause des problmes lies la synchronisation, dans
le cas des systmes squence directe plusieurs tudes ont t ralises.
Gnralement ltalement de spectre par squence chaotique directe revient remplacer directement la
squence dtalement binaire gnre par des registres dcalage, par une squence chaotique avec des valeurs
relles comprises dans un intervalle bien prcis (g. 1.20). Les solutions proposes sont introduites surtout
pour augmenter les capacits en accs multiple. Initialement les premires variantes envisagent lemploi de
squences dtalement analogiques [YC97, KNYC00] o le code dtalement reprsente un tat correspondant
une dynamique chaotique multi-dimensionnelle. Lavantage essentiel dune telle solution est la simplicit
du systme nal, en ajoutant quen fonction de la dynamique, un systme dtalement du code auxiliaire doit
tre employ pour atteindre une largeur de bande dsire.
Un deuxime point de vue a t reprsent par lintroduction de code dtalement en temps discret qui
permet un contrle beaucoup plus important des proprits statistiques du code dtalement. On peut ainsi
envisager deux options : la premire suppose un code dtalement chaotique priodique o le plus souvent la
longueur du code chaotique est gale au gain dtalement (g. 1.21 a) et aussi une deuxime solution non-
priodique o le code dtalement est considr de longueur innie (g. 1.21 b). Lavantage de la solution
priodique est donn par lemploi des mmes systmes qui assurent la synchronisation au sein des systmes
talement de spectre classiques.
Particulirement appliques aux cas de communications mobiles, pour les connections downlink une syn-
chronisation au niveau de systme pour les dirents rcepteurs est facilement maintenue, ainsi une solution
de code dtalement classique peut garantir un minimum dinterfrence entre les utilisateurs. Par contre,
pour les liaisons uplink on se trouve dans la situation o les variantes synchrones ne sont plus envisageables.
Dans ces conditions spciques, des travaux ont t raliss prouvant que les squences chaotiques peuvent
facilement surpasser les performances des squences dtalement classiques (longueur maximale, Gold ...)
[MSR97, MSR99, SMRC02, RSM98, RMS00, CYKB01].
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 1. SYSTMES DYNAMIQUES CHAOTIQUES ET TRANSMISSION DE LINFORMATION 32
0 20 40 60 80 100 120
1
0
1
Etalement de spectre sq. chaotique directe priodique
S

q
.

i
n
f
0 20 40 60 80 100 120
1
0
1
C
o
d
e

d

t
a
l
.
0 20 40 60 80 100 120
1
0
1
S

q
.

t
a
l
.
Temps chip
0 20 40 60 80 100 120
1
0
1
Etalement de spectre sq. chaotique directe nonpriodique
S

q
.

i
n
f
0 20 40 60 80 100 120
1
0
1
C
o
d
e

d

t
a
l
.
0 20 40 60 80 100 120
1
0
1
S

q
.

t
a
l
.
Temps chip
a) b)
Fig. 1.21 Exemple dtalement de spectre par squence chaotique directe : a) squence priodique sur la
dure symbole ; b) squence non-priodique ;
Dans ce document les applications proposes tant dveloppes surtout avec une mthode de synchronisa-
tion chaotique, dans le cas mono-utilisateur, on ne va plus insister sur les aspects concernant les performances
de ltalement en accs multiple. Ainsi dans notre contexte mono-utilisateur, le systme talement de spectre
par squence directe chaotique peut tre vu comme une application particulire de lapproche CSK cohrent
voque auparavant. Ainsi toutes les proprits mises en vidence antrieurement restent valables dans ce
cas prcis.
1.6 Conclusion
Ce chapitre avait comme objectif lintroduction de quelques notions lmentaires concernant les systmes
dynamiques chaotiques et leur application dans le domaine des tlcommunications. Dans la premire section
les dnitions de systmes dynamiques non-linaires en temps continu et discret, ainsi que leurs particularisa-
tion pour le cas de systmes chaotiques ont t donnes. Par la suite on a prsent les mthodes envisageables
pour tablir ventuellement une synchronisation entre deux systmes chaotiques dans le but de transmettre
un signal informationnel. La troisime section tait destine la prsentation gnrale des solutions classiques
dtalement de spectre ainsi que des inconvnients associs, et nalement dans la dernire partie les mthodes
les plus connues de transmission porteuse chaotique ont t introduites.
Dans le chapitre suivant on va complter ltat de lart des mthodes employes dans ce document par la
prsentation des solutions de ltrage adaptatif non-linaire de type Kalman.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Chapitre 2
Filtres de Kalman non-linaires
2.1 Introduction
Le ltre de Kalman (KF - Kalman lter) est considr comme une technique de rfrence pour les
problmes destimation linaire, menant la solution MMSE (Minimum Mean Square Error), de manire r-
cursive grce aux modles dtat du systme dynamique [Kal60, Gel80, BSL93]. Dans le cas dune dynamique
non-linaire le problme destimation rcursive devient dicile. Comme dans ce contexte une connaissance
complte de la densit de probabilit est exige, lestimateur optimal conforme aux rgles de Bayes, nest
pas dhabitude utilis en pratique. Pour quelques cas particuliers de dynamiques non-linaires une solution
optimale peut tre dveloppe, sous des hypothses contraignantes [Ben81, Dau88]. Parmi les nombreuses
solutions non-optimales disponibles, le ltre de Kalman tendu (EKF - Extended Kalman Filter) reste une
solution populaire car il vite le cot de calcul important habituellement exig par des approches quasi-
optimales telles que le ltre particulaire [AMGC02]. Le EKF se base sur la propagation de la distribution des
tats, par linarisation au premier ordre du systme non-linaire, en gardant la mme structure que le ltre de
Kalman classique. Bien que le EKF puisse faire face aux systmes faiblement non-linaires, de larges erreurs
peuvent tre commises sur les moments a posteriori (moyenne et covariance) en prsence de non-linarits
importantes. Cette limite de la linarisation peut tre rsolue laide dun ltre IEKF (Iterated - EKF) mais
avec une augmentation du cot de calcul.
Plusieurs mthodes de ltrage de Kalman non-linaires ont t proposes rcemment pour viter les
limitations imposes par le EKF, sans un cot de calcul additionnel signicatif. Le UKF, introduit par Julier
et al. [JU97], dans le contexte de la commande non-linaire et davantage dvelopp par Wan et van der Merwe
[WvdM01], aborde le problme dapproximation dune manire bien dirente du EKF. Ainsi, mme sil utilise
une hypothse gaussienne pour les tats, cette fois la statistique est reprsente par un ensemble minimal de
points judicieusement choisis (sigma points). A chaque tape destimation, ces points sont propags travers
33
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 34
la non-linarit du modle (transformation Unscented), vitant ainsi le calcul de Jacobiens. En utilisant cette
approche, la moyenne et la covariance de la distribution a posteriori sont capturs jusquau troisime ou
deuxime ordre dans la srie de Taylor, quelle que soit la non-linarit considre. Le UKF est une solution
intressante pour les applications en temps rel, car il ralise un bon compromis entre les performances
destimation (toujours une meilleure consistence que le EKF), le cot de calcul et la facilit dimplmentation.
Noorgard et al. [NPR00b] ont propos une autre solution de ltrage Kalman non-linaire, base sur une
approximation polynomiale des fonctions qui forment le modle. Pour lapproximation polynomiale ils ont
utilis la relation de Stirling et en fonction de lordre de lapproximation faite, deux variantes de ltrage
sont proposes : La premire (DD1 - Divided Dierence 1er ordre) est dnie comme une gnralisation du
ltre propos par Schei [Sch97], dnomm CDKF (CDKF - Central Dierence Kalman Filter), qui utilise
une approximation au premier ordre de la non-linarit ; La deuxime solution (DD2) considre une approxi-
mation au deuxime ordre dans la relation de Stirling, et par consquence ore de meilleures performances
destimation. Lefebvre et al. ont propos dans [LBS04] une prsentation unie de lensemble des mthodes
(UKF, CDKF, DD1) en utilisant une approche de rgression statistique linaire.
En complment des transformations non-linaires voques ci-dessus, un autre moyen daugmenter les
performances des mthodes de ltrage non-linaire est de sortir de lhypothse gaussienne des distributions
de probabilit. Ainsi dans les annes 1970 Alspach et Sorenson [AS72] ont introduit lide dapproximer les
distributions de probabilit qui caractrisent les tats par des sommes de gaussiennes. Avec cette hypothse
lapplication du processus de ltrage est simple, et lapproche est compatible avec tous les ltres dcrits au-
paravant. Alspach et Sorenson ont utilis initialement le EKF et plus rcemment van der Merwe et Wan et al.
[vdMW03] ont propos des solutions sappuyant sur la propagation de particules (UKF, ltrage particulaire).
Le dernire mthode destimation non-linaire rcursive dcrite dans ce chapitre est le ltre particules.
Si dans le cas de la transformation Unscented on avait un ensemble limit de points placs de manire
dterministe, dans le cas particulaire le nombre de points est plus important et cette fois ils sont choisis ala-
toirement dans lespace de phase conformment lhypothse de distribution initiale. Dveloppe initalement
au LAAS de Toulouse [Sal89, MRS91], cette mthode se base sur la loi des grands nombres pour approximer
les distributions de probabilit des tats. Ce type de ltre est aussi connu sous le nom de ltre Monte-Carlo
squentiel (SMC - Sequential Monte Carlo).
Dans ce chapitre nous proposons une prsentation synthtique des diverses solutions de ltrage Kalman
non-linaires, avec une description des avantages et inconvnients de chaque solution. Plusieurs versions de
ces ltres (EKF, UKF) seront utilises dans la suite de notre tude soit dans un objectif de comparaison soit
comme un outil destimation lorsque nous proposerons des structures de rcepteurs.
Ce chapitre est organis de la manire suivante. La premire section est destine la prsentation des
mthodes de ltrage bases sur la linarisation au premier ordre (EKF, IEKF). Le second paragraphe consi-
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 35
dre les implmentations bases sur la transformation Unscented (UKF, HOUF). Les aspects unis de ltres
sappuyant sur la formule de Stirling sont prsents dans la section III. Dans la quatrime section, lapproxi-
mation des distributions par somme de gaussiennes est considre, et dans la dernire partie de chapitre
quelques aspects sur le ltrage particulaire sont voqus.
2.2 Filtre de Kalman tendu (EKF)
Comme il a t mentionn dans lintroduction de ce chapitre, le calcul rcursif de la statistique dordre
deux dans le cas dun modle linaire avec des hypothses de gaussianit des tats, a trouv une solution
sous la forme du ltre de Kalman [Kal60]. Son principal intrt rside dans limplmentation rcursive, qui
rpartit le cot de calcul sur lensemble des observations, ralisant en mme temps une minimisation de
lerreur par rapport un critre dEQM (Erreur Quadratique Moyenne).
La majorit des mthodes destimation rcursive proposes jusqu prsent, pour rsoudre le problme
de ltrage dans le cas non-linaire, font des approximations du modle ou au niveau des hypothses des
statistiques initiales. Chronologiquement la premire solution propose a t le Filtre de Kalman tendu
(EKF - Extended Kalman Filter). Cette solution repose sur un dveloppement en srie de Taylor des quations
de processus et dobservation qui forment le modle. Ainsi le Filtre de Kalman tendu est dni en utilisant
les deux ides suivantes [BSL93] :
une linarisation au premier ordre dans le dveloppement de Taylor pour les non-linarits correspon-
dantes aux quations de processus et/ou observation
une estimation de type LMMSE
2.2.1 Modle gnral de ltrage
Ainsi si on considre le modle destimation suivant :
x
k+1
= f (x
k
) +v
k
y
k
= h(x
k
) +n
k
(2.1)
o f () , h() dsignent des fonctions non-linaires et o les bruits additifs v
k
, n
k
sont considrs
centrs, gaussiens et avec une inter-corrlation nulle :
E [v
k
] = E [n
k
] = 0
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 36
E
_
v
k
v
T
j

= Q
ij
E
_
n
k
n
T
j

= R
ij
E
_
v
k
n
T
j

= 0
E
_
v
k
x
T
j

= E
_
n
k
x
T
j

= 0 (2.2)
Comme dans le cas de ltre de Kalman standard (modles linaires) lestimation linstant k sera ac-
complie par approximation lordre deux de la statistique des tats :
tat estim x
k]k
E
_
x
k
[Y
k

matrice de covariance P
k]k
Les dtails qui donnent le dveloppement des expressions pour le calcul de la statistique du vecteur dtat
estim sont prsents dans lannexe B.
2.2.2 Principe du ltre de Kalman tendu (EKF)
Le schma gnral qui prsente la structure rcursive de lalgorithme de Kalman tendu est propos en
gure 2.1. Ainsi de faon similaire au ltre de Kalman classique le mcanisme destimation est divis en deux
parties :
ltape de mise jour temporelle qui ralise lvaluation de la statistique dordre deux de ltat prdit
ltape de mise jour par des observations qui donne la valeur estime en utilisant la connaissance de
ltat observ
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 37
Projection de ltat
Projection de la covariance
des erreurs
Mise jour temporelle
(Prdiction)
Calcul du gain du filtre
Mise jour de ltat estim
Mise jour par des observations
(Correction)
Mise jour de la covariance
des erreurs
x
k+1]k
= f
_
x
k]k
_
P
k+1]k
= F
k
P
k]k
F
T
k
+Q
K
k+1
= P
k+1]k
H
T
k
_
H
k
P
k+1]k
H
T
k
+R
_
1
x
k+1]k+1
= x
k+1]k
+K
k+1
_
y
k
h
_
x
k+1]k
__
P
k+1]k+1
= (I K
k+1
H
k
) P
k+1]k
x
0]0
, P
0]0
Fig. 2.1 Application rcursive de lalgorithme de Kalman tendu
o F
k
f [
x
k|k
et H
k
h[
x
k|k
. Une solution plus gnrale est dnie en considrant une relation
non-linaire par rapport aux bruits de processus et dobservation. Comme dans le contenu de ce document on
travaille toujours avec des hypothses de bruits additifs, les quations gnrales de ltrage seront simplies.
Toute mthode de ltrage de Kalman peut tre crite comme une application rcursive dune transforma-
tion de la statistique de ltat au cours du temps. Ainsi pour une mthode de ltrage quelconque lalgorithme
est crit sous la forme de deux transformations successives, lune pour implmenter les quations de mise
jour temporelle et lautre pour la propagation de la statistique de ltat prdit travers le modle dob-
servation. En utilisant lobservation courante on peut calculer le vecteur dinnovation et estimer la nouvelle
statistique de ltat. La transformation non-linaire est dnie comme une application destine au calcul de
la statistique dune v.a. x qui subit une transformation travers la fonction f :
y = f (x) (2.3)
Dans cette section on va juste prsenter la transformation non-linaire considre par le EKF pour mettre
en place le mcanisme de ltrage. Ainsi, en utilisant le modle de propagation donn par lquation (2.3), la
linarisation eectue dans la srie de Taylor va mener aux expressions suivantes des moments dordre un et
deux :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 38
y = f ( x)
P
yy
= f P
xx
(f )
T
(2.4)
Un tel calcul des moments chaque tape de ltrage va naturellement dgrader les performances en
prsence de non-linarits prononces. Les gures 2.2 illustrent les erreurs engendres dans plusieurs situations
pour le cas o f (x) = cos x.
La v. a. gaussienne initiale est caractrise par le choix de la moyenne et de la variance comme suit : =
0.7, 0.6, 0.5 et
2
= 0.0125, 0.025, 0.05. Pour toutes les gures, la distribution est reprsente en bleu,
avec la partie jaune associe lintervalle symtrique donne par la moyenne et lcart type [ , +].
Pour la distribution transforme on a aussi considr les vraies moyennes et carts types dtermins par
la propagation de 10
6
chantillons travers la fonction non-linaire (mthode de Monte Carlo - MC). On
observe que ces variations de la statistique initiale se transposent au niveau de la statistique transforme
par une erreur destimation des deux premiers moments. En plus de ces gures qualitatives, on prsente la
n de la prochaine section dans le tableau 2.1 les rsultats numriques obtenus pour ces cas. Ainsi, on peut
conclure que mme pour une non-linarit faible la transformation base sur la linarisation au premier
ordre peut prsenter des erreurs importantes destimation.
2.2.3 Filtre de type IEKF
Une mthode permettant damliorer le processus destimation correspond au calcul successif des tats
prdits x
k+1]k+1
, K
k+1
et P
k+1]k+1
, en eectuant chaque fois une linarisation autour de ltat le plus
rcent. Pour dvelopper lalgorithme on va utiliser les notations x
i]
k+1]k+1
, K
i]
k+1
et P
i]
k+1]k+1
, i = 0, 1, ...
pour dsigner les paramtres estims la i-me tape. En appliquant le mme principe que dans le ltre
de Kalman tendu, prsentes dans lannexe B, les quations rcursives pour le ltre IEKF sont facilement
dduites [Gel80] :
1. Initialisation du ltre :
x
0]
k+1]k+1
= x
k+1]k
P
0]
k+1]k+1
= P
k+1]k
(2.5)
2. Calcul rcursif de x
i]
k+1]k+1
, K
i]
k+1
et P
i]
k+1]k+1
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 39
1.5 1 0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat initial | Fct. nonlinaire
Valeur
H
i
s
t
o
g
r
a
m
m
e

|

f
(
x
)
Histogramme
Hist. [, +]
vrai
f(x)
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat transform
Valeur
H
i
s
t
o
g
r
a
m
m
e
Histogramme
Trans. [, +]
Trans.
Vrai [, +]
Vrai
a) b)
1.5 1 0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat initial | Fct. nonlinaire
Valeur
H
i
s
t
o
g
r
a
m
m
e

|

f
(
x
)
Histogramme
Hist. [, +]
vrai
f(x)
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat transform
Valeur
H
i
s
t
o
g
r
a
m
m
e
Histogramme
Trans. [, +]
Trans.
Vrai [, +]
Vrai
c) d)
1.5 1 0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat initial | Fct. nonlinaire
Valeur
H
i
s
t
o
g
r
a
m
m
e

|

f
(
x
)
Histogramme
Hist. [, +]
vrai
f(x)
0.2 0 0.2 0.4 0.6 0.8 1 1.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat transform
Valeur
H
i
s
t
o
g
r
a
m
m
e
Histogramme
Trans. [, +]
Trans.
Vrai [, +]
Vrai
e) f)
Fig. 2.2 Eets de la linarisation au premier ordre sur lestimation de la statistique de la v.a. transforme
(gures b), d) et f)) pour une distribution initiale gaussienne caractrise par : a), b) = 0.7,
2
= 0.0125 ;
c), d) = 0.6,
2
= 0.025 ; e), f) = 0.5,
2
= 0.05
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 40
x
i+1]
k+1]k+1
= x
k+1]k
+K
i]
k+1
_
y
k
h
_
x
i]
k+1]k+1
_
H
k+1,i
_
x
k+1]k
x
i]
k+1]k+1
__
K
i]
k+1
= P
k+1]k
H
T
k+1,i
_
H
k+1,i
P
k+1]k
H
T
k+1,i
+R
_
1
P
i]
k+1]k+1
=
_
I K
i]
k+1
H
k+1,i
_
P
k+1]k
(2.6)
o H
T
k+1,i
= h[
x
{i}
k+1|k+1
3. Rcupration des tats estims, aprs la i-me itration :
x
k+1]k+1
= x
i]
k+1]k+1
P
k+1]k+1
= P
i]
k+1]k+1
(2.7)
Une observation immdiate concerne le fait que si on considre la valeur de i = 0, les quations (2.5), (2.6)
et (2.7) correspondent aux quations de mise jour par des observations rencontres dans le cas classique
du ltrage EKF.
Le nombre des i tapes successives eectuer dpend du critre doptimisation considr. Ainsi par
exemple une solution est reprsente par lapplication de lalgorithme jusqu la dtection dun changement
minimal par rapport ltape prcdente. Par contre il faut bien prciser que chaque itration joue sur le
cot total de calcul ncessaire la mise en oeuvre du ltre.
Si les quations rcursives des ltres EKF et IEKF sont obtenues avec la prise en compte des pre-
miers termes dans la srie de Taylor, ce principe peut tre tendu pour le traitement des problmes o les
non-linarits sont plus importantes. Dans les sections suivantes on va prsenter dautres transformations
possibles qui peuvent faire une estimation plus correcte de la statistique transforme avec mme la possibilit
dobtenir une solution de calcul exacte [LABS06], en considrant linuence des termes suprieurs dans le
dveloppement de Taylor.
2.3 Filtre de Kalman Unscented
2.3.1 Transformation Unscented
Le ltre de Kalman Unscented est dni de mme que le EKF laide dune transformation non-linaire
de statistique appele dans ce cas Unscented. La transformation Unscented a t introduite par Julier [JU97],
dans lide destimer la distribution de probabilit de la statistique transforme en vitant dapproximer la
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 41
Fig. 2.3 Le principe de la transformation Unscented
fonction non-linaire, dont la linarisation au premier ordre fait partie. Ainsi cette approche se base sur une
constellation de points (appels sigma points) et respectivement leurs pondrations, distribus dans lespace
dtat de la v.a. initiale pour approximer sa statistique. Comme on peut lobserver sur la gure 2.3 ces points
sont choisis de telle manire que leur moyenne et covariance reprsentent exactement la statistique initiale.
Lensemble de points choisi
_
x
(i)
_
, auquel on associe les coecients de pondration
_
W
(i)
_
calculs dune
manire dterministe forme lensemble de sigma points S =
_
x
(i)
, W
(i)
_
, qui caractrise compltement les
vraies moyenne et covariance. Cet ensemble de points subit ensuite la propagation travers la fonction
non-linaire, comme dans le cas du EKF (eq. 2.3).
Cette mthode de propagation de points a une ressemblance avec le ltrage particulaire qui sera pr-
sent plus tard dans ce chapitre, mais la dirence de celui-ci, le choix de points est dterministe et les
pondrations associes sont choisies dune autre manire, sans se baser sur la distribution.
Dans son article [JUDW00] Julier dmontre quun tel ensemble de points, permettant le calcul de la
moyenne et covariance de la v.a. transforme, est donn par un nombre de 2N
x
points, o N
x
est la dimension
du vecteur tat x. Les points sont dnis comme suit :
x
(i)
= x +
_
_
N
x
P
xx
_
i
W
(i)
= 1/2N
x
x
(i+Nx)
= x
_
_
N
x
P
xx
_
i
W
(i+Nx)
= 1/2N
x
(2.8)
o i = 1...N
x
,()
i
reprsente la i-me ligne ou colonne de la matrice

N
x
P
xx
et o W
(i)
est la pondration
associe. Dans la gure 2.4 on donne un exemple pour le choix de points sigma avec lhypothse dune
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 42
Fig. 2.4 Un exemple de distribution de sigma points pour une v.a. gaussienne bi-dimensionnelle dans le
cas de la transformation Unscented
distribution initiale gaussienne bi-dimensionnelle. Les points sont situs par rapport la surface gaussienne
une distance gale au coecient de pondration.
tant donn cet ensemble de points, la moyenne et la variance sont calcules de la manire suivante :
1. par propagation par la fonction non-linaire on obtient lensemble de points transforms :
y
(i)
= f
_
x
(i)
_
(2.9)
2. la moyenne est calcule par la somme des points transforms, pondrs par les coecients
_
W
(i)
_
:
y
2Nx

i=1
W
(i)
y
(i)
(2.10)
3. la covariance est alors calcule comme :
P
yy

2Nx

i=1
W
(i)
_
y
(i)
y
__
y
(i)
y
_
T
(2.11)
Lensemble de points ainsi dni, permet dapproximer la valeur moyenne de la vraie distribution jusquau
deuxime ordre dans le dveloppement de Taylor mais par contre ore une estimation biaise au niveau de
la covariance. Ce biais dcoule de limpossibilit de lensemble de points traduire linuence des moments
suprieurs de la statistique. Pour corriger ce problme la solution la plus simple est de complter lensemble de
points choisi avec un o plusieurs points. Les mmes auteurs [JUDW00, vdM04] ont alors propos dajouter
un point correspondant la moyenne et avec son coecient de pondration de permettre le rglage de
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 43
linuence des moments suprieurs. Ainsi le nouvel ensemble de sigma points propos est dni de la manire
suivante :
x
(0)
= x
W
(0)
= / (N
x
+)
x
(i)
= x +
_
_
(N
x
+) P
xx
_
i
W
(i)
= 1/ 2 (N
x
+)
x
(i+Nx)
= x
_
_
(N
x
+) P
xx
_
i
W
(i+Nx)
= 1/ 2 (N
x
+) (2.12)
o i = 1...N
x
. Le choix original des points sigma, dni par les quations (2.8), a la proprit que
lellipsode qui limite le positionnement des points augmente avec la dimension N
x
de lespace dtat. Ainsi
le choix du nouveau paramtre introduit , en plus de capturer linuence des moments suprieurs, doit tre
utilis aussi pour limiter la dispersion des points dans lespace dtat en prsence de forte non-linarit.
Avec la dnition du nouvel ensemble de points sigma on observe que la distance du i-me point par
rapport x est proportionnelle la valeur
_
(N
x
+). Ainsi le choix du paramtre = 0, nous place dans
le cas des quations (2.8), tandis quune valeur > 0 loigne les points de la moyenne, et avec une valeur
ngative de , on trouve leet inverse avec un rapprochement des points. Il existe un cas spcial avec la
solution de = 3 N
x
, correspondant lannulation de la dimension N
x
sur la distribution de points. Par
contre avec le choix = 3 N
x
< 0 on va se retrouver dans un cas o le coecient de pondration du
point situ sur la moyenne est ngatif et la covariance obtenue aprs propagation peut devenir semi-dnie
ngative.
2.3.2 Transformation scaled-Unscented
Enn il existe une solution propose dans [JUDW00] o un nouvel ensemble de points est propos avec
un paramtre de dcalage :
x
(i)
s
= x
(0)
+
_
x
(i)
x
(0)
_
, i = 0...2N
x
, (0 < < 1) (2.13)
Cette nouvelle transformation porte le nom de transformation scaled-Unscented. Les auteurs ont dmontr
que le nouveau paramtre de dcalage introduit ne va pas inuencer de manire ngative lestimation de
la statistique de la variable transforme ( y, P
yy
), avec une expression exacte jusquau deuxime ordre des
moments de la v.a. initiale, et une pondration des autres moments suprieurs grce . Enn les auteurs
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 44
ont propos un ensemble de points qui intgre ce dcalage ainsi que les nouvelles pondrations associes :
x
(0)
= x W
(0)
(m)
=

Nx+
x
(i)
= x +
_
_
(N
x
+) P
xx
_
i
i = 1, ..., N
x
W
(0)
(c)
=

Nx+
+
_
1
2
+
_
x
(i)
= x
_
_
(N
x
+) P
xx
_
i
i = N
x
+ 1, ..., 2N
x
W
(i)
(m)
= W
(i)
(c)
=
1
2(Nx+)
i = 1, ..., 2N
x
(2.14)
o =
2
(N
x
+) N
x
et les pondrations dsignes par W
(i)
(m)
et W
(i)
(c)
sont associes au calcul de la
moyenne et de la covariance, respectivement.
Lexpression du point central x
(0)
garantit une matrice de covariance dnie semi-positive. Le choix des
paramtres qui apparaissent dans le calcul de lensemble de points se fait de la manire suivante :
an davoir une matrice de covariance dnie semi-positive, on prendra 0. Il savre que la valeur
de nest pas critique, de telle sorte que = 0 correspond gnralement tous les cas destimation ;
le paramtre 0 < < 1 considr antrieurement va jouer directement sur la dimension de lellipsode
de distribution des sigma points. Ainsi de faon idale sa valeur doit tre petite pour limiter linuence
de certains eets de non-linarit dans les rgions loignes de la valeur estime ;
le dernier paramtre introduit , est choisi positif pour avoir une certaine connaissance des moments
dordre suprieur de la statistique initiale dans le modle. Par exemple pour une hypothse de distri-
bution initiale gaussienne nous prendrons = 2.
Pour tudier les performances de cette nouvelle transformation nous allons considrer de nouveau la propa-
gation dune distribution initiale gaussienne travers certaines fonctions non-linaires. Ainsi dans les gures
2.5 a) et b) on va reprendre la fonction non-linaire f (x) = cos x, avec pour paramtres de la distribution
initiale = 0.5,
2
= 0.05 ; On ajoute aussi que pour la transformation Unscented considre les paramtres
suivants ont t choisi : = 0, = 10
3
, = 2.
Comment on peut lobserver, la transformation Unscented arrive mieux estimer les deux moments dans
le cas dune fonction non-linaire de type cosinus, mais par contre avec laugmentation de lordre de la
non-linarit ce type de transformation prsente des erreurs. Ces conclusions sont retes numriquement
dans le tableau 2.1 o la linarisation et la transformation Unscented sont compares. Les rsultats sont issus
dune simulation de type Monte-Carlo avec la propagation dune squence alatoire de 10
6
chantillons.
2.3.3 Construction du modle de ltrage rcursif UKF
Avec la dnition de la transformation Unscented donne ci-dessus la forme rcursive du ltrage de Kalman
peut tre facilement dduite. Ainsi Julier et al. [JUDW00, vdM04] proposent une formulation gnrale dont
le vecteur dtat est modi en ajoutant ltat original les vecteur associs aux bruits de processus et
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 45
1.5 1 0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat initial | Fct. nonlinaire
Valeur
H
i
s
t
o
g
r
a
m
m
e

|

f
(
x
)
Histogramme
Hist. [, +]
vrai
f(x)
0.2 0 0.2 0.4 0.6 0.8 1 1.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat transform
Valeur
H
i
s
t
o
g
r
a
m
m
e
Histogramme
Trans. [, +]
Trans.
Vrai [, +]
Vrai
a) b)
1.5 1 0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat initial | Fct. nonlinaire
Valeur
H
i
s
t
o
g
r
a
m
m
e

|

f
(
x
)
Histogramme
Hist. [, +]
vrai
f(x)
2.5 2 1.5 1 0.5 0 0.5 1 1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribution de ltat transform
Valeur
H
i
s
t
o
g
r
a
m
m
e
Histogramme
Trans. [, +]
Trans.
Vrai [, +]
Vrai
c) d)
Fig. 2.5 Eets de la transformation Unscented sur lestimation de la statistique de la v.a. transforme (avec
une non-linarit de type cos x - gures a, b ; et de type polynomiale dordre 3 : f (x) = 2x
3
1.5x + 0.5 -
gures d, f) pour une distribution initiale gaussienne caractrise par : a), b) = 0.5,
2
= 0.05 ; c), d)
= 0.1,
2
= 0.05 ;
Fonction non-linaire x = ^
_

x
,
2
x
_
y = f (x) - EKF y = f (x) - UKF y = f (x) - MC
f (x)
x

2
x

y

2
y

y

2
y

y

2
y
f (x) = cos x - 0.7 0.0125 0.76484 0.005187 0.76006 0.005233 0.97044 0.005172
f (x) = cos x -0.6 0.025 0.82534 0.007970 0.81502 0.008183 0.8151 0.007980
f (x) = cos x -0.5 0.05 0.87758 0.011492 0.85564 0.012455 0.85592 0.011855
f (x) = 2x
3
1.5x + 0.5 -0.1 0.05 0.648 0.10368 0.618 0.10548 0.61804 0.069748
Tab. 2.1 Performances des transformations EKF et Unscented pour direntes congurations de la distri-
bution initiale et de non-linarit
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 46
dobservation. Le vecteur nal obtenu, en utilisant un modle de ltrage similaire celui donn par lquation
(2.1), est crit sous la forme suivante :
x
a
k
=
_

_
x
k
v
k
n
k
_

_
(2.15)
La dimension du nouveau vecteur dtat augment est N
a
= N
x
+N
v
+N
n
, o N
x
, N
v
et N
n
reprsentent
les dimensions des vecteurs x
k
, v
k
et n
k
respectivement. tant donnes les nouvelles notations, le modle
destimation rcursif peut tre crit sous la forme gnrale suivante :
x
a
k+1
= f
a
(x
a
k
)
y
k
= h
a
(x
a
k
) (2.16)
avec la transformation Unscented qui calcule les points sigma partir des expressions suivantes des
moments :

a
k
=
_
_
_
_
_
_

k
0
Nv1
0
Nn1
_
_
_
_
_
_
P
a
k]k
=
_

_
P
k]k
0 0
0 Q
k
0
0 0 R
k
_

_
(2.17)
Bien sr un modle plus gnral peut tre crit avec la prise en compte de certaines corrlations entre
les bruits et les tats ou entre les bruits eux-mmes, mais pour tous les cas considrs par la suite un tel d-
veloppement nest pas ncessaire. Finalement les notations introduites nous permettent dcrire lalgorithme
rcursif de ltrage pour un instant k quelconque, en utilisant la succession dtapes suivantes :
1. Construction de lensemble de points sigma en utilisant les relations (2.14) :
_
x
(i)
k]k
, W
(i)
_
i=0...Na
2. Propagation de lensemble des points construit travers la fonction de processus :
x
(i)
k+1]k
= f
a
_
x
(i)
k]k
_
, i = 0...N
a
(2.18)
3. Calcul de la valeur estime et de la covariance des erreurs prdites :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 47
x
k+1]k
=
Na

i=1
W
(i)
(m)
x
(i)
k+1]k
P
x
k+1|k
x
k+1|k
=
Na

i=1
W
(i)
(c)
_
x
(i)
k+1]k
x
k+1]k
__
x
(i)
k+1]k
x
k+1]k
_
T
(2.19)
4. Propagation des points sigma travers le modle dobservation :
y
(i)
k+1]k
= h
a
_
x
(i)
k+1]k
_
, i = 0...N
a
(2.20)
5. Calcul de lobservation prdite, de la covariance de linnovation et de la matrice de cross-covariance :
y
k+1]k
=
Na

i=1
W
(i)
(m)
y
(i)
k+1]k
P
y
k+1|k
y
k+1|k
=
Na

i=1
W
(i)
(c)
_
y
(i)
k+1]k
y
k+1]k
__
y
(i)
k+1]k
y
k+1]k
_
T
P
x
k+1|k
y
k+1|k
=
Na

i=1
W
(i)
(c)
_
x
(i)
k+1]k
x
k+1]k
__
y
(i)
k+1]k
y
k+1]k
_
T
(2.21)
6. Expression du gain de Kalman et calcul nal de ltat estim et de la covariance des erreurs :
K
k+1
= P
x
k+1|k
y
k+1|k
P
1
y
k+1|k
y
k+1|k
x
k+1]k+1
= x
k+1]k
+K
k+1
_
y
k+1
y
k+1]k
_
P
k+1]k+1
= P
x
k+1|k
x
k+1|k
K
k+1
P
y
k+1|k
y
k+1|k
K
T
k+1
(2.22)
Avec les expressions qui caractrisent limplmentation rcursive du ltrage de Kalman, le dveloppement de
la structure classique du ltrage de type scaled-Unscented est accompli. On souligne encore une fois que la
solution choisie pour former lensemble de points sigma nest pas unique ; Dans le paragraphe qui suit nous
voquons une mthode associe la transformation Unscented qui grce un nombre plus grand de points
russit une meilleure approximation des moments suprieurs.
2.3.4 Filtre HOUF
On a dj mentionn que la transformation Unscented et implicitement la structure de Kalman dduite
russit estimer correctement les moments de la distribution transforme, jusqu un ordre limit. Tenne
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 48
et Singh [TS03] sont les premiers sinterroger sur la possibilit damliorer lapproximation des moments
suprieurs laide dun ensemble de points similaire. Ainsi ils proposent le HOUF (Higher Order Unscented
Filter) comme une structure similaire au ltre Unscented classique, dont le nombre de points depend de la
prcision souhaite pour lestimation des moments suprieurs.
Le nouvel ensemble de sigma points se forme de faon similaire, avec les relations suivantes :
x
(0)
= x
x
(i)
= x + (L +)
i
, i = 1, ..., N
x
+q
x
(i)
= x (L +)
i
, i = N
x
+q + 1, ..., 2 (N
x
+q) (2.23)
o L = N
x
+ q est la dimension augmente de lespace dtat, q est le nombre additionnel de points,
et o
i
=
1
,
2
, ...,
L
sont choisis sur chaque dimension de lespace dtat. Le principe est similaire, les
points sont propags par la fonction non-linaire du modle ; Dans le cas simpli mono-dimensionnel on doit
obtenir lexpression suivante pour les moments calculs par la transformation Unscented dordre suprieur :
y =
2L

i=0
W
(i)
y
(i)
m
j
y
=
2Nx

i=0
W
(i)
_
y
(i)
y
_
j
(2.24)
o y et m
j
y
reprsentent la moyenne et respectivement le moment centr dordre j.
tant donnes les notations prcdentes plusieurs solutions sont possibles pour le choix des points, la
premire considrant, par exemple pour le cas mono dimensionnel, deux positions
1
et
2
pour les points
sigma. Ce nouvel ensemble est suppos respecter plusieurs contraintes pour une estimation correcte des
moments, mais une solution gnrale pour toute distribution initiale est dicile dterminer. Sous hypothse
gaussienne, avec la mme relation L+ = 3 que pour la transformation Unscented classique, et en dveloppant
les quations jusquau 8-me ordre, on obtient les relations suivantes pour le calcul des positions et des
pondrations :

2
1
=
_
5
3

_
10
9
_
P
x

2
2
=
10
3
P
x

2
1
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 49
Fig. 2.6 Un exemple de distribution de sigma points pour une v.a. gaussienne bi-dimensionnelle - trans-
formation HOUF
W
(1)
=
1
60
21
2
1
55P
x
3
2
1
5P
x
W
(2)
=
1
3
3P
x
_

2
1
P
x
_
(3
2
1
P
x
) (
2
2

2
1
)
W
(0)
= 1 2
_
W
(1)
+W
(2)
_
(2.25)
Cet ensemble de points a t dsign sous le nom 2 , en tenant compte que le nombre de points
dtermin se situe dans lespace dtat sur deux ellipses correspondant dans le cas mono dimensionnel aux
valeurs de
1
et
2
. On illustre en gure 2.6 le positionnement de lensemble de points et des pondrations
sur la mme distribution gausienne que dans le cas de la transforme Unscented.
2.4 Filtre CDKF
De faon parallle avec le dveloppement de structures UKF prsentes auparavant, dautres solutions
ont t proposes pour contourner le problme du calcul de drivs partielles et de stabilit rencontrs dans
le cas de ltrage tendu. Ainsi le Divided Dierence Filter propos par Norgaard et al. [NPR00a, NPR00b]
et le Central Dierence Kalman Filter propos par Ito et Xiong [IX00] utilisent la formule dinterpolation
polynomiale de Stirling pour approximer la non-linarit prsente dans le modle, interpolation qui permet
par la suite le calcul de moments de la statistique transforme. Comme le fait remarquer Van Der Merwe
[vdM04], ces deux structures sont presque identiques et peuvent tre dsignes simplement sous le nom de
Central Dierence Kalman Filter (CDKF). Cette mthode de ltrage ne sera pas exploite dans les chapitres
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 50
qui suivent, ainsi nous donnons juste les aspects gnraux de la formule de Stirling et le calcul des moments
en utilisant la transformation associe.
2.4.1 Formule dinterpolation polynomiale de Stirling
Comme dans les dveloppements en srie de Taylor, linterpolation avec la formule de Stirling est donne
pour une approximation au deuxime ordre, avec une hypothse de fonction mono-dimensionnelle, par la
relation :
f (x) = f ( x) +

D
x
f +
1
2!

D
2
x
f (2.26)
o f () est la fonction non-linaire approximer et o

D
x
f,

D
2
x
f reprsentent les oprateurs dac-
croissement centr du premier et deuxime ordre respectivement, appliqus la fonction f (). Dans le cas
scalaire, ils sont donns par :

D
x
f = (x x)
f ( x +h) f ( x h)
2h

D
2
x
f = (x x)
2
f ( x +h) f ( x h) 2f ( x)
h
2
(2.27)
o h est la longueur de lintervalle choisi, pour accomplir lapproximation. Pour tendre ces rsultats aux
cas multi-dimensionnel, la solution propose est de dcoupler statistiquement la v. a. x initiale en utilisant
la transformation linaire suivante [Sch97] :
z = S
x
1
x

f (z)
.
= f (S
x
z) = f (x) (2.28)
o S
x
reprsente la matrice obtenue par la factorisation Cholesky de la matrice de covariance P
x
:
P
x
= S
x
S
x
T
(2.29)
Ces dcompositions permettent lapplication de lapproximation ralise antrieurement, dans le cas multi-
dimensionnel, indpendamment pour chaque composante de la fonction

f (z)[vdM04] :

D
z

f =
_
Nx

i=1

zi
m
i
d
i
_

f (z)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 51

D
2
z

f =
_
_
Nx

i=1

2
zi
d
2
i
+
Nx

j=1
Nx

q=1,q,=j

zj

zq
(m
j
d
j
) (m
q
d
q
)
_
_
f (z) (2.30)
o
zi
= (z z)
i
est la i-me composante du vecteur z z, N
x
est la dimension de lespace dtat et d
i
,
m
i
, d
2
i
reprsentent la dirence partielle au premier ordre, la moyenne et la dirence partielle au deuxime
ordre, respectivement :
d
i

f (z) =
1
2h
_

f (z +he
i
)

f (z he
i
)
_
m
i

f (z) =
1
2
_

f (z +he
i
) +

f (z he
i
)
_
d
2
i

f (z) =
1
2h
2
_

f (z +he
i
) +

f (z he
i
) 2

f (z)
_
(2.31)
e
i
tant le i-me vecteur unit.
La mise en forme de lapproximation ci-dessus, pour la fonction multidimensionnelle

f (), va nous per-
mettre par la suite limplmentation dune solution similaire la transformation Unscented pour le calcul de
la statistique dune variable alatoire transforme. Dailleurs si on revient au dveloppement initial, on peut
crire :

f (z he
i
) = f (S
x
( z he
i
))
= f (S
x
z hS
x
e
i
)
= f ( x hs
xi
) (2.32)
o s
xi
reprsente la i-me colonne de la matrice Cholesky obtenue par la dcomposition de P
x
. Avec
cette observation on voit bien quon tombe facilement sur lensemble de points propos par la transformation
Unscented, bien sr avec dautres coecients de pondration.
2.4.2 Estimation de la moyenne et de la covariance dune v.a. transforme
Comme dans le cas des autres transformations on considre la propagation dune v.a. x de moyenne x
et covariance P
x
travers une fonction non-linaire quelconque (eq. 2.3). Norgaard [NPR00a] propose ainsi
deux solutions de ltrage bases sur une approximation dordre un et dordre deux. Comme le cas lordre
un peut tre dduit directement de celui lordre deux, seul le cas le plus gnral est prsent. En utilisant
la mme notation pour la v.a. transforme y = f (x), on obtient lapproximation suivante :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 52
y = f (x)


f ( z) +

D
z

f +
1
2!

D
2
z

f (2.33)
o z = S
x
1
x, la matrice S
x
tant dnie antrieurement (2.29). En appliquant ce modle dapproxima-
tion, on obtient les relations suivantes pour les deux premiers moments de la statistique de la v.a. transforme :
moyenne : y
y = E [y]
E
_

f (z) +

D
z

f +
1
2!

D
2
z

f
_

h
2
N
x
h
2

f ( z) +
1
2h
2
Nx

i=1
_

f (z +he
i
) +

f ( z he
i
)
_

h
2
N
x
h
2

f ( z) +
1
2h
2
Nx

i=1
[f ( x +hs
xi
) +f ( x hs
xi
)] (2.34)
variance : P
yy
P
yy
= E
_
(y y) (y y)
T
_
= E
_
(y f ( x)) (y f ( x))
T
_
E [y f ( x)] E [y f ( x)]
T
E
_
_

D
z

f +
1
2!

D
2
z

f
__

D
z

f +
1
2!

D
2
z

f
_
T
_
E
_

D
z

f +
1
2!

D
2
z

f
_
E
_

D
z

f +
1
2!

D
2
z

f
_
T
(2.35)
En dveloppant les esprances mathmatiques, la relation (2.35) peut scrire sous la forme suivante :
P
yy

1
4h
2
Nx

i=1
[f ( x +hs
xi
) +f ( x hs
xi
)] [f ( x +hs
xi
) +f ( x hs
xi
)]
T
+
h
2
1
4h
4
Nx

i=1
[f ( x +hs
xi
) +f ( x hs
xi
) 2f ( x)]
[f ( x +hs
xi
) +f ( x hs
xi
) 2f ( x)]
T
(2.36)
cross-covariance : P
xy
P
xy
= E
_
(x x) (y y)
T
_
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 53
E
_
(S
x
(z z))
_

D
z

f +
1
2

D
2
z

f E
_
1
2

D
2
z

f
__
T
_

1
2h
Nx

i=1
s
xi
[f ( x +hs
xi
) f ( x hs
xi
)]
T
(2.37)
Avec les expressions des moments calcules, limplmentation de lalgorithme de ltrage est immdiat
avec des quations similaires celles dveloppes pour le ltre Unscented (2.18 - 2.22). Comme ce type de
ltrage na pas fait lobjet dune implmentation dans la suite de notre tude, on se limite cet ensemble
de relations pour montrer que le ltrage CDKF peut orir une solution plus gnrale que le UKF mais par
contre un cot de calcul plus important.
2.5 Filtrage de Kalman bas sur une approximation par somme de
gaussiennes
Lide dapproximer une distribution de probabilit quelconque par une somme de gaussiennes nest pas
nouvelle car dveloppe dans les annes 70 [AS72, AM79], avec mme un caractre doptimalit. Loptimalit
se rete dans le fait que la distribution choisie p (x) peut tre approxime par un mlange de gaussiennes
nimporte quel degr de prcision, sous la forme suivante :
p (x) p

(x) =
Gx

g=1

(g)
^
_
x;
(g)
, P
(g)
_
(2.38)
o G
x
est le nombre de composantes initiales utilises,
(g)
est le coecient de pondration et ^
_
x;
(g)
, P
(g)
_
reprsente une distribution gaussienne de moyenne
(g)
et de covariance P
(g)
. Un tel exemple est donn dans
la gure 2.7 pour le cas mono-dimensionnel.
Ainsi en utilisant le modle gnral destimation donn par lensemble des quations (2.1) et avec lhypo-
thse que la densit de probabilit a priori p (x
k
[Y
k
) et celles des bruits des processus p (v
k
) et dobservation
p (n
k
) sont de mme approximes par un mlange de distributions normales, on peut exprimer la densit de
probabilit prdite et celle obtenue aprs la mise jour par des observations de la manire suivante :
la densit de probabilit prdite :
p (x
k+1
[Y
k
) p

(x
k+1
[Y
k
) =
G

=1

(g

)
^
_
x;
(g

)
k
, P
(g

)
k
_
(2.39)
la densit de probabilit obtenue aprs la mise jour par des observations :
p (x
k+1
[Y
k+1
) p

(x
k+1
[Y
k+1
) =
G

=1

(g

)
^
_
x;
(g

)
k
, P
(g

)
k
_
(2.40)
o G
t
= G
x
G
v
et G
tt
= G

G
n
o G
x
, G
v
et G
n
reprsentent les nombres de composantes choisies pour
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 54
2 1.5 1 0.5 0 0.5 1 1.5 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Exemple dapproximation par somme de gaussiennes
x
p
(
x
)
Gauss1
Gauss2
Gauss3
Distrib. finale
Fig. 2.7 Un exemple dapproximation par somme de gaussiennes
ltat, le bruit de processus et le bruit dobservation respectivement.
Le calcul de composantes qui forment les distributions p (x
k+1
[Y
k
) et p (x
k+1
[Y
k+1
) est ralis par
lapplication directe dune version de ltrage de type Kalman. Finalement toute mthode de transformation
peut tre utilise pour le calcul de composantes, et de cette manire il faut associer toujours lapproximation
par un mlange de gaussiennes la transformation employer. Ainsi par exemple Anderson et Moore [AM79]
utilisent la linarisation au premier ordre quivalente au ltrage de Kalman tendu ; Dans les versions ralises
par van der Merwe & Wan [vdMW03, vdM04] lapproche, plus labore, repose sur le ltrage particules.
Une observation doit tre faite sur laugmentation chaque tape du nombre de composantes prendre en
compte. Pour viter une croissance exponentielle du nombre de gaussiennes au cours du temps, une technique
de rduction doit tre mise en oeuvre en pratique, limitant ainsi la charge de calcul.
2.6 Filtre particules
Nous achevons ce chapitre par une prsentation succinte dun algorithme cr spciquement pour garantir
un fonctionnement quasi-optimal de la structure rcursive dveloppe par Kalman, indpendamment de la
non-linarit du modle. A la dirence de toutes les mthodes prsentes jusquici, le ltre particules ne
considre aucune approximation du modle et aucune hypothse au niveau des distributions des tats et des
bruits.
Dvelopp initialement au LAAS de Toulouse [Sal89, MRS91] et repris plus tard par Gordon et al.
[GSS93] sous la forme de ltre bootstrap, le ltre particulaire sest impos comme un outil destimation trs
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 55
performant, au prix dun cot de calcul beaucoup plus important que les solutions EKF et UKF. Lide
de base est dutiliser un nombre important de particules (points) choisis alatoirement pour reprsenter les
distributions de probabilit. Cet ensemble de particules est par la suite propag dans le temps en utilisant
une combinaison de mthodes dchantillonage squentiel et dtapes de r-chantillonage. Cet emploi dun
grand nombre de particules tires alatoirement a fait que ce ltre soit aussi dsign sous le nom de mthode
Monte-Carlo squentielle (SMC - Sequential Monte Carlo).
Pour dvelopper les relations qui forment la base de ltrage particulaire on va partir du mme modle g-
nral donn par les quations (2.1). En plus on va utiliser la notation D
k+1
pour lensemble des observations
disponibles linstant k + 1 : D
k+1
= y
i
, i = 1, ..., k + 1. Avec ces notations on dnit lobjectif de lap-
plication qui est de construire la distribution de probabilit de ltat x
k+1
, en tenant compte de lensemble
des observations : p (x
k+1
[D
k+1
). En utilisant lhypothse que linstant k la distribution de probabilit
p (x
k
[D
k
) est connue, on peut crire [GSS93] :
p (x
k+1
[D
k
) =
_
p (x
k+1
[x
k
) p (x
k
[D
k
) dx
k
(2.41)
En utilisant par la suite lexpression de lvolution rcursive de ltat, la statistique connue du bruit de
processus et la relation de Bayes, on obtient la distribution de probabilit de ltat x
k+1
:
p (x
k+1
[D
k+1
) =
p (y
k+1
[x
k+1
) p (x
k+1
[D
k
)
p (y
k+1
[D
k
)
(2.42)
o le dnominateur est donn par :
p (y
k+1
[D
k
) =
_
p (y
k+1
[x
k+1
) p (x
k+1
[D
k
) dx
k+1
(2.43)
Les relations rcurrentes (2.41) et (2.42) forment la solution pour le problme destimation rcursive de
Bayes. Dans les mthodes dj prsentes dans ce chapitre plusieurs approximations et hypothses simpli-
catrices ont t considres, risquant de conduire de mdiocres performances pour certaines applications.
En prsence de conditions diciles (statistique non-gaussienne) le ltre particules reste une solution de
rfrence, pouvant garantir une convergence asymptotique [CD02].
Avant de passer limplmentation des expressions rcursives on va initialiser lalgorithme par lchan-
tillonnage de la distribution initiale p (x
0
[D
0
) : lensemble de points choisi alatoirement
_
x
(i)
0
, W
(i)
0
_
,
i = 1, ..., N
p
reprsentera le vecteur dtat x
(i)
0
de loi p (x
0
[D
0
), les pondrations W
(i)
0
=
1
Np
respectant
une loi uniforme.
Limplmentation de lalgorithme de ltrage est encore divis en deux tapes, lune de prdiction et lautre
de mise jour par des observations :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 56
tape de prdiction : chaque point considr est pass par la suite travers la fonction de processus
pour obtenir les chantillons x
(i)
k+1
= f
_
x
(i)
k
_
qui caractrisent la probabilit prdite p (x
k+1
[x
k
)
tape de mise jour par des observations : cette tape consiste en lvaluation de la vraisemblance de
chaque chantillon transform, avec le calcul des pondrations W
(i)
k+1
:
W
(i)
k+1
=
p
_
y
k+1
[x
(i)
k+1
_

Np
j=1
p
_
y
k+1
[x
(j)
k+1
_ (2.44)
Avec lexpression des coecients W
(i)
k+1
, la valeur estime est obtenue par la moyenne des tats pondrs
par leur probabilit normalise :
x
k+1]k+1
=
Np

j=1
W
(i)
k+1
x
(i)
k+1
(2.45)
Dans la gure 2.8 on montre un exemple de ltrage particulaire appliqu la synchronisation chaotique
pour le cas dun polynme Chebyshev dordre deux. Le modle utilis est donn par le systme dquations
suivant :
x
k+1
= 2x
2
k
1 +v
k
y
k
= x
k
+n
k
(2.46)
Ainsi on observe la distribution de ltat estim pour 9 tapes successives dapplication de lalgorithme
particulaire. Une conclusion vidente que lon peut tirer est que la distribution ne conserve pas un aspect
gaussien, avec une forte asymtrie. En ce qui concerne lvolution dans lespace de phase des particules, nous
montrons comment voluent 10 particules issues de lchantillonnage initial. Lamplitude de chaque pic rete
le coecient de pondration associ chacune dentre-elles.
On peut observer lchantillonnage initial correspondant une distribution gaussienne, avec des pond-
rations gales pour tous les points. Pour les tapes successives de ltrage la pondration de chaque particule
va changer conformment la fonction de vraisemblance dtermine partir de lobservation courante. De
mme, on observe une dispersion progressive des particules, consquence dune rduction deectif si aucune
procdure de re-distribution nest employe.
Pour rsoudre ce problme de dgnrescence en pratique une nouvelle tape est introduite dans le pro-
cessus de ltrage (re-chantillonage) : cela consiste redistribuer les points aprs chaque tape destimation,
si ncessaire. Plusieurs solutions ont t proposes dans la littrature [CD02]. Lide de base est de modier
lensemble de points dtermin pour quil respecte un critre dapproximation non-pondr de la distribution
a priori, qui soit utilis ltape suivante.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 57
0
1
2
3
4
5
6
7
8
9 1.5
1
0.5
0
0.5
1
1.5
0
0.2
0.4
x
Distribution de probabilit | exemple de 10 particules pour le filtrage SMC
Instant [k]
p
(
x
)

|

w
i
Fig. 2.8 Evolution de la distribution de probabilit et exemple de 10 particules pour le systme non-linaire
donn par les quations (2.46)
Mme si ce type destimateur dtat ore thoriquement les meilleurs performances possibles par rapport
un critre dEQM, le cot de calcul ncessaire est beaucoup plus important que toute autre solution
expose antrieurement. De mme les performances sont directement lies son paramtrage qui consiste
essentiellement dans le nombre de points choisi et ltape de re-chantillonage considre. La formulation
gnrique du ltre doit donc tre adapte au problme considr pour rduire le plus possible le cot de
calcul.
La ltre particules est voqu dans ce chapitre pour ses performances de rfrence concernant la prcision
destimation. Cependant, comme notre objectif sera par la suite de dvelopper des solutions de rcepteur
faible cot de calcul nous navons pas retenu cette approche.
2.7 Conclusion
Ce chapitre tait ddi la prsentation gnrale des mthodes destimation rcursive non-linaire les
plus populaires. Ainsi dans la premire partie les solutions EKF et IEKF ont t prsentes. Ces solutions
bases sur une linarisation au premier ordre du modle destimation ont lavantage dun cot de calcul
rduit ainsi quune simplication de limplmentation. Par contre, elles sourent au niveau de la consistence
de lestimateur et des performances destimation. Une deuxime variante prsente, utilise la transformation
Unscented pour lestimation rcursive de la statistique des tats. Bases sur cette transformation les solutions
de ltrage UKF et HOUF sont ensuite dveloppes. La troisime section tait destine la prsentation
dune structure gnrale du ltre CDKF construit partir dune approximation polynomiale du modle par
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 2. FILTRES DE KALMAN NON-LINAIRES 58
la relation de Stirling. En ce qui concerne lapproximation non-gaussienne de la distribution des tats nous
avons voqu en n de chapitre la solution dapproximation par somme de gaussiennes ainsi que la mthode
de ltrage particulaire. Dans le prochaine chapitre une nouvelle transformation non-linaire sera introduite
et par la suite un nouveau ltre de Kalman sera dvelopp.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Chapitre 3
Le Filtre de Kalman Polynomial Exact
3.1 Introduction
Le but de ce chapitre est dintroduire une nouvelle mthode de ltrage Kalman non-linaire que nous
appliquerons au problme de synchronisation du chaos. Si lide dutiliser une transformation polynomiale a
t dj expose par Norgaard et al. [NPR00a, NPR00b], on se propose de raliser une nouvelle transformation
qui ne va pas juste approximer la dynamique du systme par un polynme dordre deux (ltre DD2) ; Pour
le cas particulier o le modle est caractris par une forme polynomiale, nous proposons de calculer dune
manire exacte la statistique dordre deux des tats estims. Des propositions voisines ont t eectues par
Basin [Bas03], pour le cas des systmes temps continu et avec certaines restrictions : ordre du systme
limit trois et modle dobservation linaire.
Nous allons considrer un processus dynamique caractris par un modle polynomial mono-dimensionnel
en temps discret. Pour la ralisation de lalgorithme rcursif de type Kalman, une transformation non-linaire
dnomme Transformation Polynomiale Exacte sera introduite. Des relations matricielles gnrales vont
permettre le calcul de la statistique dordre deux de nimporte quelle variable alatoire (v.a.) propage
travers une fonction polynomiale. Le calcul, ralis en utilisant tous les termes de la srie de Taylor, facilitera
limplmentation du ltre Kalman polynomial et cela sans approximation.
Notre objectif initial est dappliquer ce type de ltrage la synchronisation chaotique, dont la dnition
et le cadre gnral ont t prsents dans le chapitre 2. On utilisera ici comme fonctions gnratrices des
polynmes de Chebyshev [Riv90], qui prsentent des proprits statistiques et de corrlation trs intres-
santes, en particulier dans le contexte de transmissions bases sur ltalement de spectre. Beaucoup darticles
dmontrent la pertinence de diverses mthodes de ltrage de Kalman pour accomplir une synchronisation
chaotique [COS93, LL97, CN00, BDR02, SOD94]. En particulier Leung et Zhu ont rcemment dmontr des
rsultats importants au sujet de la synchronisation du chaos par le ltrage de Kalman tendu (EKF) : les
59
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 60
auteurs montrent que la technique base sur ce ltre est une gnralisation des mthodes de synchronisation
chaotique classiques. Ils montrent galement que la synchronisation de type EKF approche la limite infrieure
donne par la borne de Cramer-Rao, des rapports SNR levs.
Enn nous allons prsenter les avantages de la nouvelle mthode de ltrage non-linaire propose, en
considrant lerreur quadratique moyenne (EQM), la stabilit de la synchronisation et la consistence comme
critres de performance.
Ces rsultats ont fait lobjet dune publication dans la revue IEEE Trans. on Circuits & Syst. I [LABS06].
3.2 Transformation Polynomiale Exacte
La transformation non-linaire dune distribution connue a priori tant au coeur de toutes les mthodes
de ltrage Kalman non-linaire, il existe un intrt croissant pour trouver la transformation qui ore la
meilleure approximation des moments de la distribution rsultante.
Dans ce chapitre on va considrer le cas des fonctions non-linaires polynomiales mono-dimensionnelles,
donnes par la forme gnrale suivante :
f(x) =
N

n=0
a
n
x
n
(3.1)
Le but de la transformation est destimer la moyenne et la variance pour une variable alatoire y qui
rsulte de la propagation de la variable alatoire x par la fonction non-linaire considre :
y = f(x) (3.2)
Pour le moment, on ne considre aucune restriction au sujet de la densit de probabilit de la v.a. x.
La supposition dune distribution Gaussienne ne sera introduite que pour construire lalgorithme de ltrage
Kalman polynomial (paragraphe 3.3).
De faon gnrale on peut exprimer les deux premiers moments de la distribution transforme pour la v.a.
y, en utilisant le dveloppement en srie de Taylor. On crit la distribution initiale sous la forme suivante :
x = x + x (3.3)
o x est une v.a. centre. Avec le dveloppement en srie de Taylor applique la v.a. y on obtient :
y = f ( x) +
N

n=1
(x)
n
n!
d
n
f
dx
n

x= x
(3.4)
et on peut calculer le moment dordre un :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 61
y = E[y]
= f ( x) +
N

n=2
m
n
n!
d
n
f
dx
n

x= x
(3.5)
o m
n
dsigne le moment dordre n pour la v.a. x.
Avec la forme polynomiale (3.1) de la fonction f () les drives peuvent tre exprimes de la manire
suivante :
d
n
f
dx
n
=
N

i=n
a
i
i!
(i n)!
x
in
(3.6)
Comme m
0
= 1, m
1
= 0 et en utilisant les coecients binomiaux C
n
i
=
i!
n!(in)!
, le calcul du moment
dordre un devient :
y =
N

n=0
m
n
N

i=n
a
i
C
n
i
x
in
(3.7)
Cette expression peut tre crite sous une forme matricielle compacte pour faciliter limplmentation en
pratique :
y = a
T
0:N
C
x
m
x
0:N
(3.8)
o a
i:j
dnote [a
i
, a
i+1
, ..., a
j
]
T
, m
x
i:j
= [m
i
, m
i+1
, ..., m
j
]
T
et C
x
est une matrice triangulaire dont les
lments ont la forme de puissances de x :
C
x
=
_

_
C
0
0
x
0
0 0 ... 0
C
0
1
x
1
C
1
1
x
0
0 ... 0
C
0
2
x
2
C
1
2
x
1
C
2
2
x
0
... 0
... ... ... ...
C
0
N
x
N
C
1
N
x
N1
C
2
N
x
N2
... C
N
N
x
0
_

_
(3.9)
Si on considre encore une fois la srie de Taylor, le moment dordre deux
2
y
peut tre calcul de la mme
faon :

2
y
= E
_
(y y)
2
_
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 62
= E
_
_
_
f ( x) +
N

n=1
(x)
n
n!
d
n
f
dx
n

x= x
f ( x)
N

n=2
m
n
n!
d
n
f
dx
n

x= x
_
2
_
_
(3.10)
Aprs quelques manipulations algbriques, le calcul devient :

2
y
=
N

n=1
N

k=1
m
n+k
m
n
m
k
n! k!
d
n
f
dx
n
d
k
f
dx
k

x= x
(3.11)
Cette fois le produit de drives sexprime de la manire suivante :
1
n! k!
d
n
f
dx
n
d
k
f
dx
k

x= x
=
N

i=n
N

j=k
a
i
a
j
C
n
i
C
k
j
x
i+jnk
= a
T
1:N
C
x
n,k
a
1:N
(3.12)
o la matrice C
x
n,k
a la forme :
C
x
n,k
=
_

_
0
(n1)(k1)
0
(n1)(Nk+1)
0
(Nn+1)(k1)
C
n
n
C
k
k
x
0
C
n
n
C
k
k+1
x
1
... C
n
n
C
k
N
x
Nk
C
n
n+1
C
k
k
x
1
C
n
n+1
C
k
k+1
x
2
... C
n
n+1
C
k
N
x
Nk+1
... ... ...
C
n
N
C
k
k
x
Nn
C
n
N
C
k
k+1
x
Nn+1
... C
n
N
C
k
N
x
2Nnk
_

_
0
ij
reprsentant une matrice de dimension i j avec tous les lments nuls.
A partir des quations (3.11) et (3.12) on obtient lexpression gnrale du moment dordre deux de la v.a.
y sous une forme matricielle :

2
y
= 1
T
N
_
/
x
(
x
_
1
N
(m
x
1:N
)
T
(
x
m
x
1:N
(3.13)
o les matrices (
x
et /
x
sont exprimes par :
(
x
=
_

_
a
T
1:N
C
x
1,1
a
1:N
a
T
1:N
C
x
1,2
a
1:N
... a
T
1:N
C
x
1,N
a
1:N
a
T
1:N
C
x
2,1
a
1:N
a
T
1:N
C
x
2,2
a
1:N
... a
T
1:N
C
x
2,N
a
1:N
... ... ...
a
T
1:N
C
x
N,1
a
1:N
a
T
1:N
C
x
N,2
a
1:N
... a
T
1:N
C
x
N,N
a
1:N
_

_
(3.14)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 63
/
x
=
_

_
m
2
m
3
... m
N+1
m
3
m
4
... m
N+2
... ... ...
m
N+1
m
N+2
... m
2N
_

_
(3.15)
reprsentant le produit de Hadamard et 1
N
un vecteur colonne de longueur N avec tous les lments
unit.
Un complment au calcul de ces deux moments dune v.a. transforme par une fonction polynomiale, est
prsent dans lannexe C.
Lobjectif tant dobtenir une variante du ltrage Kalman base sur les relations prcdentes, il reste
calculer la covariance de transition P
xy
entre les v.a. x et y :
P
xy
= E [(x x) (y y)]
= E [x y] E [x y]
=
N

n=1
m
n+1
N

i=n
a
i
C
n
i
x
in
(3.16)
Encore une fois on peut mettre cette relation sous forme matricielle :
P
xy
= a
T
0:N
C
x
m
x
1:N+1
(3.17)
Il faut remarquer que les relations (3.8), (3.13) et (3.17) sont vraies pour nimporte quelle distribution
initiale x avec les moments centrs connus, et pour une fonction polynomiale f () quelconque. Les relations
matricielles formules ne constituent pas un moyen de rduire le cot de calcul mais plutt une solution
dimplmentation gnrale et rapide (pour le calcul des moments y et
2
y
). Nous prsenterons dans la section
3.4 une application au cas particulier des polynmes de Chebyshev. Des expressions alternatives des moments
seront alors donnes pour un calcul le plus direct possible. Dans la section suivante nous proposons dintgrer
la transformation polynomiale exacte dans un ltre de Kalman.
3.3 Filtre de Kalman Polynomial Exact (ExPKF)
Pour dvelopper le ltre de Kalman base de transformation polynomiale, on considre les modles
mono-dimensionnels de processus et dobservation suivants :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 64
x
k+1
= f (x
k
) +v
k
y
k
= h(x
k
) +n
k
(3.18)
o f () , h() dsignent des fonctions non-linaires et o les bruits additifs v
k
, n
k
sont considrs de
moyennes zros, gaussiens et avec une inter-corrlation nulle :
E [v
k
] = E [n
k
] = 0
E [v
k
v
j
] = Q
kj
E[n
k
n
j
] = R
kj
E [v
k
n
j
] = 0
E[v
k
x
j
] = E [n
k
x
j
] = 0 (3.19)
Si on suppose aussi la gaussiannit de ltat a priori x
k
et des valeurs observes y
k+1
, on peut exprimer
la valeur optimale de ltat estim x
k+1
de la manire suivante :
x
k+1
= x
k+1]k
+K
k+1
_
y
k+1
y
k+1]k
_
(3.20)
o
x
k+1]k
= E [f (x
k
) +v
k
] = E[f (x
k
)]
y
k+1]k
= E
_
h
_
x
k+1]k
_
+ n
k+1

= E
_
h
_
x
k+1]k
_
K
k+1
= P
x
k+1|k
y
k+1|k
P
1
y
k+1|k
y
k+1|k
(3.21)
En utilisant le modle gnral (3.18), les covariances P
x
k+1|k
y
k+1|k
et P
y
k+1|k
y
k+1|k
seront donnes par les
expressions :
P
x
k+1|k
y
k+1|k
= E
__
x
k+1]k
x
k+1]k
_ _
y
k+1]k
y
k+1]k
_
= E
__
x
k+1]k
x
k+1]k
_ _
h
_
x
k+1]k
_
E
_
h
_
x
k+1]k
__
(3.22)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 65
P
y
k+1|k
y
k+1|k
= E
__
y
k+1]k
y
k+1]k
_ _
y
k+1]k
y
k+1]k
_
= E
_
_
h
_
x
k+1]k
_
y
k+1]k
_
2
_
+R (3.23)
Lhypothse gaussienne des valeurs estimes et des observations limite la connaissance des moments
lordre deux et dans ce cas le vecteur des moments prend la forme :
m
x
0:N
= [m
0
, m
1
, m
2
, m
3
, m
4
, ...]
T
=
_
1, 0,
2
x
, 0, 3
4
x
, ...

T
(3.24)
En conclusion, avec lhypothse gaussienne et la transformation polynomiale exacte prsente dans la
section 3.2, on peut dvelopper un algorithme de ltrage Kalman o les calculs se font de faon exacte avec
la condition que les fonctions de processus et dobservation soient mono-dimensionnelles et polynomiales, i.e.
f(x) =

N
n=0
a
n
x
n
, h(x) =

K
k=0
b
k
x
k
.
A ltape de mise jour temporelle, la moyenne et la covariance de ltat prdit sont obtenues laide
des relations (3.8) et respectivement (3.13) :
x
k+1]k
= E [f (x
k
)]
= a
T
0:N
C
x
k
m
x
k
0:N
(3.25)
P
k+1]k
= E
_
_
x
k+1]k
x
k+1]k
_
2
_
= 1
T
N
_
/
x
k
(
x
k
_
1
N
(m
x
k
1:N
)
T
(
x
k
m
x
k
1:N
+Q (3.26)
Ltat observ prdit et les covariances de transition/innovation sont calcules ltape de mise jour
des observations en utilisant les quations (3.8), (3.17) et (3.13) :
y
k+1]k
= E
_
h
_
x
k+1]k
_
= b
T
0:K
C
x
k+1|k
m
x
k+1|k
0:N
(3.27)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 66
P
x
k+1|k
y
k+1|k
= E
__
x
k+1]k
x
k+1]k
_ _
h
_
x
k+1]k
_
E
_
h
_
x
k+1]k
__
= b
T
0:K
C
x
k+1|k
m
x
k+1|k
1:K+1
(3.28)
P
y
k+1|k
y
k+1|k
= E
_
_
h
_
x
k+1]k
_
y
k+1]k
_
2
_
+R
= 1
T
K
_
/
x
k+1|k
(
x
k+1|k
_
1
K

_
m
x
k+1|k
1:K
_
T
(
x
k+1|k
m
x
k+1|k
1:K
+R (3.29)
Finalement linstant (k + 1), la moyenne et la covariance de ltat x
k+1
sont calcules laide des
relation suivantes :
x
k+1
= x
k+1]k
+K
k+1
_
y
k+1
y
k+1]k
_
(3.30)
P
k+1
= P
k+1]k
K
2
k+1
P
y
k+1|k
y
k+1|k
(3.31)
o le gain de Kalman K
k+1
est donn par la relation (3.21).
On rappelle que les relations prsentes donnent une formulation gnrale et elles ne sont pas optimises
pour rduire le cot de calcul. On va dmontrer dans la section suivante que pour des modles polynomiaux
bien dnis on peut trouver des expressions beaucoup plus simples.
3.4 Application du ltrage ExPKF la synchronisation chaotique
De par la grande richesse de leurs proprits, les polynmes de Chebyshev constituent lune des familles
de fonctions les plus populaires pour rsoudre des problmes de modlisation, de ltrage et de traitement
du signal [Riv90]. Il a t dmontr que tous les polynmes de Chebyshev gnrent du chaos, avec une
densit limite gale (x) =
1

1x
2
[KT94], et quils sont caractriss par un exposant de Lyapunov ln p
[BG97, ABK91], o p est lordre du polynme T
p
(x) considr comme fonction gnratrice de la squence
chaotique x
k
, k = 0, 1, ... :
x
k+1
= f (x
k
) = T
p
(x
k
) (3.32)
Par leurs bonnes proprits de corrlation, les polynmes de Chebyshev ont t utiliss rcemment dans
le domaine des communications numriques avec une technique daccs multiple [CYKB01, LTYH04].
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 67
p y = T
p
(x) y = E [y]
2
y
= E
_
(y y)
2
_
2 2x
2
1 2
2
x
+ 2 x
2
1 8
2
x
_

2
x
+ 2 x
2
_
3 4x
3
3x x
_
12
2
x
+ 4 x
2
3
_
3
2
x
_
80
4
x
+ 192
2
x
x
2
+...
+48 x
4
24
2
x
24 x
2
+ 3
_
4 8x
4
8x
2
+ 1
24
4
x
+ 48
2
x
x
2
+...
+8 x
4
8
2
x
8 x
2
+ 1
128
2
x
_
48
6
x
+ 192
4
x
x
2
+...
+84
2
x
x
4
+ 8 x
6
12
4
x
...
36
2
x
x
2
8 x
4
+
2
x
+ 2 x
2
_
Tab. 3.1 Les moments dordre un et deux de la v.a. rsultant de la transformation dune v.a. gaussienne
par un polynme de Chebyshev (ordre des polynmes 2, 3 et 4)
On rappelle une dernire proprit lie la rcursivit des coecients de polynmes de Chebyshev qui
peuvent tre calculs avec la relation :
T
p+1
(x) = 2xT
p
(x) T
p1
(x) (3.33)
Cette forme gnrale polynomiale permet lapplication directe du ltrage Kalman Exact (ExPKF) la
synchronisation du chaos. Lexpression des moments pour quelques polynmes de Chebyshev dordre faible
va tre donne ci-aprs, pour mettre en vidence quun algorithme trs bas cot de calcul peut tre obtenu.
Pour souligner les avantages en termes de performance de notre ltre ExPKF, nous procderons une tude
comparative avec le ltre EKF et UKF. Au cours du prochain chapitre, nous examinerons quels sont les
bnces du ltre ExPKF dans un rcepteur talement de spectre par squence chaotique exploitant des
codes de Chebyshev.
Alors dans le cas de la synchronisation chaotique pour une fonction gnratrice mono-dimensionnelle, le
modle non-linaire (3.18) se simplie cause de la linarit de la fonction h() :
x
k+1
= f (x
k
) +v
k
y
k
= x
k
+n
k
(3.34)
et on peut crire les quations pour lalgorithme ExPKF propos en utilisant des relations analytiques
pour
_
y,
2
y
_
. Par exemple, pour la synchronisation dune squence chaotique gnre par un polynme
Chebyshev dordre deux, le ltre est implment de la manire suivante, une fois que la statistique dordre
deux de la v.a. transforme a t calcule analytiquement (Tableau 3.1).
Les quations de mise jour temporelle (3.25) et (3.26) deviennent :
x
k+1]k
= E[f (x
k
)] = 2P
k
+ 2 x
2
k
1 (3.35)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 68
P
k+1]k
= E
_
_
x
k+1]k
x
k+1]k
_
2
_
= 8P
2
k
+ 16P
k
x
2
k
+Q (3.36)
De mme, si on considre la linarit de la fonction h() et lindpendance des bruits de modle et
dobservation entre-eux et par rapport aux tats, les quations de mise jour des observations deviennent :
y
k+1]k
= E
_
h
_
x
k+1]k
_
= x
k+1]k
(3.37)
P
x
k+1|k
y
k+1|k
= E
__
x
k+1]k
x
k+1]k
_ _
y
k+1]k
y
k+1]k
_
= P
k+1]k
(3.38)
P
y
k+1|k
y
k+1|k
= E
__
y
k+1]k
y
k+1]k
_ _
y
k+1]k
y
k+1]k
_
= P
k+1]k
+R (3.39)
K
k+1
=
P
k+1]k
P
k+1]k
+R
(3.40)
x
k+1
= x
k+1]k
+K
k+1
_
y
k+1
x
k+1]k
_
(3.41)
P
k+1
= P
k+1]k
K
2
k+1
P
y
k+1|k
y
k+1|k
=
P
k+1]k
R
P
k+1]k
+R
= K
k+1
R (3.42)
Les relations (3.37) - (3.42) montrent que lalgorithme ExPKF propos pour la synchronisation dune
squence chaotique Chebyshev dordre deux ore un cot de calcul trs limit.
3.5 Evaluation des performances du ltre ExPKF
Pour lvaluation des performances du ltre propos nous allons considrer quatre orientations. Nous
examinerons dabords le rsultat de la transformation dune distribution gaussienne par dirents polynmes
de Chebyshev (changement de lordre). Ensuite nous proposerons une tude comparative entre direntes
variantes de ltres de Kalman, considrant comme critre la stabilit. Lerreur de synchronisation de squences
chaotiques sera alors tudie et pour nir nous analyserons la consistence des divers ltres.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 69
3.5.1 Analyse graphique des transformations non-linaires
La mthode la plus facile pour valuer de manire qualitative les performances dune transformation non-
linaire quelconque est dutiliser une reprsentation graphique de la distribution rsultante, pour dirents
ordres de polynmes (non-linarit plus ou moins prononce). Nous choisissons donc un vecteur alatoire
gaussien bidimensionnel x ^ ( x, P
xx
), avec composantes indpendantes, auquel est applique une trans-
formation par une fonction bidimensionnelle f :
y = f (x)
=
_

_
f
1
(x
1
)
f
2
(x
2
)
_

_
=
_

_
T
p
(x
1
)
T
q
(x
2
)
_

_ (3.43)
o p, q sont les ordres des polynmes de Chebyshev choisis pour reprsenter les non-linarits associes
aux axes X et Y, respectivement.
En plus de la transformation exacte, deux autres transformations populaires seront considres : la lina-
risation au premier ordre en utilisant la troncature dans la srie Taylor et la transformation Unscented. Pour
montrer le comportement des mthodes considres, on propose le vecteur alatoire gaussien x suivant :
x =
_

_
0.1
0.1
_

_
P
xx
=
_

_
0.5 0
0 0.1
_

_ (3.44)
Au niveau des non-linarits, quatre cas seront considrs pour la forme de la fonction f () : si selon laxe
X le mme polynme Chebyshev dordre deux (p = 2) est gard, sur laxe Y lordre du polynme varie entre
2 et 5 (q = 2...5). Grce la transformation bidimensionnelle considre on peut visualiser graphiquement les
inconvnients de chacune des trois approches (transformation polynomiale exacte, linarisation au premier
ordre et transformation Unscented), en fonction du degr de non-linarit. Pour calculer la vraie statistique,
rsultant de la transformation (3.43) de la v.a. initiale (3.44), un nombre total de 10 millions dchantillons
ont t propags travers le modle non-linaire. Pour avoir la garantie que linter-corrlation entre les
composantes est nulle, le gnrateur alatoire tait initialis chaque fois avec une nouvelle condition initiale.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 70
a) b)
Fig. 3.1 a) Distribution initiale dchantillons ; b) Position dchantillons aprs transformation
Une remarque simpose sur le fait que la distribution transforme peut prendre une forme trs dirente
dune distribution gaussienne idale, compltement caractrise par la statistique dordre deux. En cons-
quence, mme si les deux premiers moments sont bien calculs, lalgorithme de ltrage Kalman travaillant
toujours avec une hypothse gaussienne devient sous-optimal. Une illustration de cette dicult est propose
la gure 3.1, o la fonction non-linaire bidimensionnelle correspond un polynme dordre deux et un
polynme dordre trois. Dans la gure 3.1 a) on observe les chantillons correspondants la distribution
gaussienne initiale, et en 3.1 b) la distribution des chantillons aprs transformation. La statistique dordre
deux t calcule dans les conditions prcises au paragraphe prcdent.
Aprs les observations voques ci-dessus, on propose dans la gure 3.2 de montrer sous un format
graphique leet de lordre du polynme de Chebyshev utilis sur chacune des trois transformations. Dans
la partie a) on peut observer que mme pour une faible non-linarit (polynme dordre deux), la mthode
qui suppose la linarisation fait une mauvaise estimation autant pour la moyenne que pour la variance. Par
contre les transformations Unscented et Exact arrivent faire une approximation correcte de la statistique.
Si on passe la gure 3.2 b), la linarisation au premier ordre fait toujours une mauvaise estimation mais
aussi la transformation Unscented narrive plus estimer correctement la variance gardant quand mme une
valuation correcte de la moyenne. Grce aux relations analytiques dveloppes auparavant dans ce chapitre,
notre transformation polynomiale ore une distribution concidant exactement avec la vraie distribution.
Dans les parties c) et d) comme attendu, en augmentant lordre du polynme sur laxe Y, 4 et respectivement
5, la transformation Unscented ne parvient plus estimer correctement la moyenne ; La mthode propose
en revanche, ore toujours une excellente prcision.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 71
1.5 1 0.5 0 0.5 1 1.5
1
0.5
0
0.5
1
1.5
X
Y
Transformations nonlinaires X = T
2
| Y = T
2
Initial Distrib.
True Distrib.
1
st
order lin.
Unscented Tran.
Closed Form
1.5 1 0.5 0 0.5 1 1.5
1
0.5
0
0.5
1
1.5
X
Y
Transformations nonlinaires X = T
2
| Y = T
3
Initial Distrib.
True Distrib.
1
st
order lin.
Unscented Tran.
Closed Form
a) b)
1.5 1 0.5 0 0.5 1 1.5
1
0.5
0
0.5
1
1.5
X
Y
Transformations nonlinaires X = T
2
| Y = T
4
Initial Distrib.
True Distrib.
1
st
order lin.
Unscented Tran.
Closed Form
1.5 1 0.5 0 0.5 1 1.5
1
0.5
0
0.5
1
1.5
X
Y
Transformations nonlinaires X = T
2
| Y = T
5
Initial Distrib.
True Distrib.
1
st
order lin.
Unscented Tran.
Closed Form
c) d)
Fig. 3.2 Les eets de lordre de la non-linarit Chebyshev sur les performances des transformations :
y
1
= T
2
(x
1
) ; a) y
2
= T
2
(x
2
) ; b) y
2
= T
3
(x
2
) ; c) y
2
= T
4
(x
2
) ; d) y
2
= T
5
(x
2
).
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 72
3.5.2 Rsultats sur la stabilit des transformations EKF, UKF et Exact
En regardant les rsultats prsents dans la section prcdente on peut se poser la question de savoir si
lexactitude dans le calcul de la statistique va russir rsoudre les problmes de stabilit bien connus du
ltre de Kalman Etendu. On va dmontrer dans la proposition suivante, quavec une galit entre les tats
estims pour les ltres EKF, UKF et ExPKF, il existe une relation dordre entre les covariances prdites pour
le cas particulier de la synchronisation des squences chaotiques gnres par un polynme de Chebyshev
dordre deux.
Proposition 1. Dans le cas dune dynamique Chebyshev dordre deux, pour nimporte quel tat x
EKF
k
=
x
UKF
k
= x
ExPKF
k
et covariance derreur P
EKF
k
= P
UKF
k
= P
ExPKF
k
, une synchronisation base sur le modle
(3.34), mne lingalit suivante pour les covariances prdites :
P
EKF
k+1]k
P
UKF
k+1]k
P
ExPKF
k+1]k
(3.45)
Dmonstration : Comme il a dj t dmontr, la covariance prdite peut tre exprime sous la forme
suivante :
P
k+1]k
=
N

n=1
N

k=1
m
n+k
m
n
m
k
n! k!
N

i=n
N

j=k
a
i
a
j
C
n
i
C
k
j
x
i+jnk
+Q
= 1
T
N
_
/
x
(
x
_
1
N
(m
x
1:N
)
T
(
x
m
x
1:N
+Q (3.46)
o x reprsente ltat x
k
et Q dsigne la covariance du bruit de modle.
Les matrices /
x
et le vecteur m
x
0:N
peuvent tre simplis, pour le cas particulier de la linarisation au
premier ordre et de la transformation Unscented, sous la forme :
linarisation au premier ordre
m
x
0:N
[1, 0, 0, 0, ...]
T
/
x

_
m
2
0
1(N1)
0
(N1)1
0
(N1)(N1)
_

_
On considre la forme gnrale du vecteur de moments utilise dans la transformation (dbutant avec
m
0
), comme les dnitions ci-dessus sont employes galement pour la propagation au premier ordre.
transformation Unscented
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 73
m
x
0:N
[1, 0, m
2
, 0, ...]
T
/
x

_
m
2
0
0 m
4
0
2(N2)
0
(N2)2
0
(N2)(N2)
_

_
Les dnitions ci-dessus sont une consquence directe de la dnition de la transformation Unscented :
les points sigma sont choisis dune manire particulire pour permettre le calcul de la statistique a posteriori
jusquau troisime ordre dans le dveloppement de Taylor. Par contre, dans le cas de la transformation
Exacte, tous les moments sont pris en compte pour le calcul de la statistique.
Il est facile de prouver quavec le vecteur de moments ci-dessus et en se limitant au cas des polynmes
de Chebyshev (ou au cas de tout autre polynme avec une alternance des coecients nuls et non-nuls), seuls
les termes multiples dune puissance de deux de x seront retenus dans (3.46), et ainsi la covariance P
k+1]k
sera indpendante du signe de x, avec la mme variance initiale
2
x
. Une autre proprit importante lie aux
moments de la distribution gaussienne est m
n+k
m
n
m
k
0 pour tous n, k = 1..N.
Alors dans le cas particulier o tous le coecients polynomiaux a
i
sont positifs pour i 1, et vu les
notations P
EKF
k+1]k
, P
UKF
k+1]k
et P
ExPKF
k+1]k
pour les covariances prdites linstant k+1 et aussi avec la supposition
de lgalit entre les tats estims linstant k, on obtient :
P
EKF
k+1]k
P
UKF
k+1]k
P
ExPKF
k+1]k
(3.47)

Bien quaucune preuve gnrale (i.e. valide pour toute dynamique non-linaire) de ce rsultat nest donne,
les nombreuses simulations qui ont t menes ont conrm que la relation (3.47) est gnralement observe.
Une consquence immdiate de la proposition 1 est que le EKF donnera toujours une valuation plus
optimiste (sa propre valuation de lerreur sera dhabitude plus petite que lerreur relle) que celle obtenue
par nimporte quelle autre variante de ltrage Kalman considr ici.
La prochaine proposition dmontre que ce comportement peut se traduire par une divergence locale.
Proposition 2. En synchronisant une squence chaotique de Chebyshev du deuxime degr par la m-
thode de ltrage EKF, il existe x
k
tel que le ltre devient inconsistent, et donne une divergence locale.
Dmonstration : La proposition sera dmontre comme une consquence directe du comportement de la
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 74
covariance prdite et que cette divergence locale est relie au choix du rapport entre les variances des bruits
de modle et dobservation Q/R.
Considrant le modle mono-dimensionnel de synchronisation (3.34) la variance prdite en utilisant le
EKF peut tre exprime comme suit :
P
k+1]k
=
df
dx

2
x= x
k
P
k
+Q
On considre lquation rcursive suivante qui peut dnir le gain de Kalman pour le cas particulier du
polynme Chebyshev du deuxime ordre :
EKF
K
k+1
=
P
k+1]k
P
k+1]k
+R
=
df
dx

2
x= x
k
P
k
+Q
df
dx

2
x= x
k
P
k
+Q+R
=
df
dx

2
x= x
k
K
k
+
Q
R
df
dx

2
x= x
k
K
k
+
Q
R
+ 1
=
16 x
2
k
K
k
+
Q
R
16 x
2
k
K
k
+
Q
R
+ 1
(3.48)
ExPKF et UKF
K
k+1
=
P
k+1]k
P
k+1]k
+R
=
8P
k
_
P
k
+ 2 x
2
k
_
+ Q
8P
k
(P
k
+ 2 x
2
k
) +Q+R
=
8K
k
_
RK
k
+ 2 x
2
k
_
+
Q
R
8K
k
(RK
k
+ 2 x
2
k
) +
Q
R
+ 1
(3.49)
Si on tudie le comportement des gains de Kalman, nous pouvons facilement observer que la valeur
minimale est obtenue dans les deux cas pour x
k
= 0 :
EKF
K
k+1
=
Q
R
Q
R
+ 1
(3.50)
ExPKF et UKF
K
k+1
=
8RK
2
k
+
Q
R
8RK
2
k
+
Q
R
+ 1
(3.51)
Pour orir une vue plus complte sur le comportement du gain du Kalman dans direntes situations, les
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 75
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
k
= 0
x
k
= 0.1
x
k
= 1
x
k
= 0.3
K
k
K
k
+
1
K
k+1
= g(K
k
) pour le filtre EKF
Q/R = 0.01
Q/R = 0.05
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
k
= 0
x
k
= 0.1
x
k
= 1
x
k
= 0.3
K
k
K
k
+
1
K
k+1
= g(K
k
) pour les filtres Exact & UKF | R = 0.01
Q/R = 0.01
Q/R = 0.05
a) b)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
k
= 0
x
k
= 0.1
x
k
= 1
x
k
= 0.3
K
k
K
k
+
1
K
k+1
= g(K
k
) pour les filtres Exact & UKF | R = 0.1
Q/R = 0.01
Q/R = 0.05
c)
Fig. 3.3 Evolution rcursive du gain de Kalman pour les ltres : a) EKF; b) ExPKF et UKF, R = 10
2
;
c) ExPKF et UKF, R = 10
1
.
gures 3.3 a), b) et c) illustrent les relations rcursives prcdentes pour direntes valeurs du rapport Q/R
et des tats estims prcdemment. Pour le ExPKF et le UKF nous avons considr galement une variation
sur la variance du bruit dobservation.
On remarque que le gain rcursif de Kalman prsente une caractristique dirente pour les ltres consi-
drs. Dans le cas du EKF on retrouve juste une dpendance par rapport Q/R, contrairement aux ExPKF
/ UKF o une inuence supplmentaire de la variance du bruit dobservation est remarque.
Dans les dveloppements qui suivent on va dmontrer le problme de stabilit du ltre EKF pour un cas
particulier. On va considrer la fonction g (K
k
, x
k
) dnie par :
g (K
k
, x
k
) = K
k+1
(K
k
, x
k
)
La drive de cette relation par rapport K
k
, dans le cas du ltre EKF, est :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 76

K
k
g (K
k
, x
k
) =
16 x
2
k
_
16 x
2
k
K
k
+
Q
R
+ 1
_
2
et lhypothse que ltat estim est born, a > 0 pour que x
2
k
a, implique :
K
k+1
16aK
k
(3.52)
Avec la relation (3.48) si en plus un moment donn, ltat estim respecte x
k
0, on obtient K
k+1

Q
Q+R
et lingalit suivante existe :
K
k+M
16
M1
a
M1
K
k+1
16
M1
a
M1
Q
Q+R
o M dsigne le nombre dtats conscutifs estims.
Dans le cas o le bruit dobservation est relativement petit nous pouvons considrer a = 1 et en cons-
quence K
k+M
16
M1 Q
Q+R
. Avec une dynamique chaotique bien connue, la covariance du bruit de modle
respecte la relation Q R, et alors
Q
Q+R
0. En consquence M = 1 nest pas susant pour que le gain du
ltre sloigne de son minimum local. La consquence est que ltat estim est fortement pondr par ltat
prdit et lobservation est presque nglige. Ceci se traduira par un problme dinconsistence, la covariance
des erreurs estime dnie dans (3.42) tant totalement inadapte lerreur courante, avec un comportement
trop optimiste du ltre.
Les gures 3.4 a) et b) donnent un exemple dun tel comportement pour le ltre EKF dans le cas dun
polynme de Chebyshev dordre deux avec pour paramtres de simulation : Q/R = 10
10
et R = 10
2
.
Si on se rfre maintenant au ExPKF et au UKF une relation semblable (3.47) peut tre obtenue, avec
la prise en compte des ordres suprieurs dans la srie de Taylor. Ceci mnera une valuation plus pessimiste
que celle donne par le EKF. Alors, pour le mme polynme Chebyshev dordre deux et considrant encore les
tats gaux linstant k pour les dirents ltres, nous pouvons crire comme consquence de la proposition
1, une ingalit entre les gains de Kalman :
K
EKF
k+1
K
UKF
k+1
K
ExPKF
k+1
(3.53)
Cette relation vient complter la proposition 1, pour dcrire le mcanisme de ltrage, et montre comment
les implmentations EKF, UKF et ExPKF ragissent dans des conditions similaires des tats et covariances
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 77
5 10 15 20 25 30 35 40 45 50 55 60
0.5
0
0.5
1
1.5
k
e
k
Lerreur destimation
Exact
EKF
5 10 15 20 25 30 35 40 45 50 55 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
k
K
k
La variation du gain de Kalman
Exact
EKF
a) b)
Fig. 3.4 a) Instabilit locale du ltre reprsente par la divergence instantane derreur ; b) Variation du
gain de Kalman dans la rgion dinstabilit
estimes.
3.5.3 EQM du ltre ExPKF appliqu la synchronisation chaotique
Un des critres les plus populaires pour mesurer la performance dun estimateur est lerreur quadratique
moyenne (EQM). Alors on va examiner la capacit du ltre ExPKF propos synchroniser des squences
chaotiques gnres par des polynmes de Chebyshev. LEQM de synchronisation sera dnie comme :
MSE = lim
n
1
n + 1
n

k=0
(x
k
x
k
)
2
(3.54)
o x
k
dsigne ltat vrai linstant k et o x
k
son estime.
Des simulations Monte Carlo ont t menes pour obtenir lEQM par ltrage ExPKF, entre le signal
chaotique original et celui synchronis, sous direntes conditions de bruit. Dans le but de comparaison on
considre galement les rsultats obtenus par lapplication du EKF et UKF. Pour toutes les mthodes nous
avons considr des squences de longueur 10
5
chantillons avec une priode de transition de 10
3
chantillons.
Tous les ltres ont t initialiss avec x
0
= 0.3 et P
0
= 0.25, et on a pris les mmes squences de bruit.
Pour mettre en vidence les possibilits de dbruitage des ltres, on prsente dans la gure 3.5, lvolution
de lEQM normalise par rapport la variance du bruit dobservation R. Un polynme de Chebyshev dordre
4 est considr pour cette simulation, parce que pour des ordres infrieurs les performances des ltres sont
voisines, linuence des moments statistiques dordre suprieur tant limits dans ce cas. Pour faire face au
problme de stabilit prsent par le EKF nous avons considr un rapport Q/R gal 10
1
, pour toutes les
mthodes de ltrage.
Si le EKF se comporte bien pour des rapports SNR levs, comme dmontr rcemment par Leung et Zhu
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 78
10
4
10
3
10
2
10
1
0.8
0.82
0.84
0.86
0.88
0.9
0.92
0.94
0.96
0.98
1
EQM/R de synch. pour f(x)=T
4
(x) & Q = 10
1
R
R
E
Q
M
/
R
Exact Filter
UKF
Scaled UKF
EKF
Fig. 3.5 EQM de synchronisation normalise par rapport R, pour f(x) = T
4
(x)
[LZ01], ses performances se dgradent rapidement en conditions plus bruites. On peut voir dans la gure
3.5 que le EKF est une mthode approprie pour synchroniser des squences Chebyshev dordre 4 seulement
en prsence dun bruit ayant une variance plus petite que 10
3
.
Pour le UKF nous avons considr deux implmentations : la premire respecte les dnitions donnes dans
le dbut de section, et le deuxime emploie la version scaled dveloppe par Julier et al. [JUDW00, WvdM01]
pour faire face un talement exagr des points sigma. Cette mthode a t prsente dans le chapitre 3.
On peut remarquer sur la mme gure que le UKF classique obtient de bonnes performances pour tous
les niveaux de bruit considrs, mais celles-ci restent toujours infrieures celles donnes par le ExPKF. Par
rapport limplmentation scaled, pour des variances du bruit dobservation allant jusqu 310
2
, on obtient
une erreur trs proche de celle obtenue par le ltre polynomial Exact mais pour des bruits plus importants, le
ltre propos a un avantage signicatif. En particulier, le ExPKF a ses performances peu sensibles au niveau
de bruit dans lintervalle [10
2
, 10
1
] comme la pente de la courbe est voisine de zro.
Pour une non-linarit plus forte (gardant la dynamique de Chebyshev) la dirence entre les diverses
mthodes devient plus prononce.
3.5.4 Evaluation de la consistence
La consistence (ou la crdibilit) de nimporte quel estimateur/ltre est une question importante en
pratique. Cette question se rapporte vrier toute dviation signicative entre lerreur destimation relle
(biais et EQM) et celle fournie par lestimateur lui-mme (le biais calcul et la covariance des erreurs). Il est
bien connu [BSL93] que nimporte quelle distance signicative entre ces deux ensembles se traduit par de
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 79
faibles performances de ltrage et mme par un comportement divergent.
Pour valuer la consistence du ltre polynomial propos, on considre encore un total de N simulations
Monte Carlo indpendantes, chacune donnant une estimation x
k
de ltat vrai x
k
linstant k, ainsi quune
covariance des erreurs estime P
k
. Lerreur destimation normalise au carre (NEES = Normalized Estima-
tion Error Squared) est frquemment employe pour valuer la crdibilit dun ltre [BSL93]. linstant k,
en considrant une simulation Monte Carlo particulire (de rang i), la NEES est dnie comme :

(i)
k
= (x
k
x
k
)
T
P
1
k
(x
k
x
k
) (3.55)
En faisant la moyenne des NEES sur lensemble de simulations Monte Carlo on obtient le test statistique

k
pour examiner la consistance du ltre :

k
=
1
nN
N

i=1

(i)
k
(3.56)
o n est la dimension du vecteur dtat ; Une valeur
k
proche de 1 indique un ltre able, ayant une
erreur relle destimation en concordance avec sa propre valuation.
En considrant une distribution gaussienne pour lerreur destimation x
k
, la NEES moyenne est connue
pour tre distribue selon une loi de chi-deux (avec n = 1 degr de libert dans notre cas). Puis, pour vrier
la consistence du ltre, on peut dnir une rgion de conance qui pourrait correspondre, par exemple,
95% en valeur de probabilit symtrique (coecient de conance = 0.05) :
_

2
(0.025),
2
(0.975)

= [0.74, 1.30] (3.57)


Pour lvaluation de Monte Carlo de lintervalle dacceptation nous avons considr cent tests (N = 100),
raliss pour des squences chaotiques de longueur gale 300 chantillons (aprs une priode de transition
de 1000 chantillons), gnres avec des polynmes de Chebyshev avec un ordre compris entre 2 et 5. Au
niveau du bruit dobservation, des squences gaussiennes avec une variance R = 10
4
puis R = 10
1
ont t
considres. Une incertitude de modle telle que le rapport Q/R soit gal 10
4
a t choisie chaque fois.
Les NEES moyennes obtenues pour les deux cas de bruit sont prsentes dans les gures 3.6 et 3.7
respectivement. Pour comparer, nous considrons encore les implmentations EKF et UKF (version scaled).
On a prfr la version Scaled du ltrage Unscented pour vrier si le comportement curieux du ltre, constat
au niveau de lEQM, se retrouve dans ltude de NEES.
Pour vrier la consistence des ltres, on va tester si les valeurs de
k
demeurent dans lintervalle [0.74, 1.30]
au cours du ltrage. Dans le cas dun SNR lev (g. 3.6) on remarque presque le mme comportement pour
les ltres EKF et Exact : les valeurs de NEES moyenne restent dans lintervalle de conance. Par contre,
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 80
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
2
(x) & R = 1e4
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
3
(x) & R = 1e4
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
a) b)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
4
(x) & R = 1e4
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
5
(x) & R = 1e4
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
c) d)
Fig. 3.6 La NEES moyenne pour les mthodes de ltrage ExPKF, UKF version Scaled et EKF, avec une
variance du bruit dobservation R = 10
4
et les fonctions gnratrices : a) f(x) = T
2
(x) ; b) f(x) = T
3
(x) ;
c) f(x) = T
4
(x) ; d) f(x) = T
5
(x) ;
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 81
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
2
(x) & R = 1e1
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
3
(x) & R = 1e1
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
a) b)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
4
(x) & R = 1e1
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
NEES(k) | f(x)=T
5
(x) & R = 1e1
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
50 100 150 200 250 300
0.5
1
1.5
2
k
N
E
E
S
(
k
)
EKF
Intervalle de confiance
UKF Scaled
Intervalle de confiance
Filtre Exact
Intervalle de confiance
c) d)
Fig. 3.7 La NEES moyenne pour les mthodes de ltrage ExPKF, UKF version Scaled et EKF, avec une
variance du bruit dobservation R = 10
1
et les fonctions gnratrices : a) f(x) = T
2
(x) ; b) f(x) = T
3
(x) ;
c) f(x) = T
4
(x) ; d) f(x) = T
5
(x) ;
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 3. LE FILTRE DE KALMAN POLYNOMIAL EXACT 82
la variante scaled du ltrage Unscented prsente une caractristique plutt pessimiste pour les non-linarits
dordre deux et trois, cet aspect seaant avec la monte en ordre du polynme.
Dans le cas de squences plus fortement bruites, on remarque une attnuation au niveau du comportement
pessimiste du ltre Unscented mais par contre un optimisme exagr du ltrage EKF pour des ordres de
non-linarit importants, sous-estimant les vraies valeurs de covariance des erreurs.
Laspect le plus important quil faut dgager de ces simulations est que le ltrage ExPKF russit garder
une estimation correcte de la vraie covariance des erreurs ; Il se place donc comme lestimateur le plus crdible.
3.6 Conclusion
Le problme du ltrage non-linaire des modles polynomiaux mono-dimensionnels en temps discret
a t considr dans ce chapitre. En utilisant des dveloppements en srie de Taylor nous avons obtenu
des formules analytiques originales donnant la statistique exacte dordre deux de nimporte quelle variable
stochastique ayant subie une transformation polynomiale. Un schma innovant de ltrage de Kalman est
alors formul sur la base de ces rsultats. Grce aux expressions matricielles compactes de la moyenne et de
la covariance chaque tape, on obtient une excution rapide et une expression gnrale du ltre de Kalman
polynomial. Comme application, nous avons considr la synchronisation de squences chaotiques gnres
par des polynmes de Chebyshev. LEQM ainsi que la NEES ont t values dans diverses conditions de
bruit pour montrer lecacit du ltre propos. Une comparaison aux rsultats obtenus laide du ltre
populaire EKF et du ltre Unscented Kalman, dune ecacit remarquable, a galement t mene pour
conrmer ces bonnes performances.
Le chapitre suivant aura comme objectif, lapplication de la mthode de synchronisation chaotique dont
les performances ont t prsentes ici, plusieurs structures des rcepteurs spectre tal par squence
chaotique.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Chapitre 4
Rcepteurs complets talement de
spectre par squence chaotique directe
4.1 Introduction
Le sujet des communications numriques laide de systmes chaotiques a reu au cours des dix der-
nires annes une attention importante de la part de la communaut scientique, en raison des proprits
intrinsques associes au chaos. Ainsi, grce son comportement en apparence alatoire, le chaos tale non
seulement le spectre du signal informationnel, de ce fait fournissant la robustesse contre des distorsions de
canal, mais aussi agit comme clef de cryptage. Par consquent, le fonctionnement faible puissance dmis-
sion est envisageable et en raison de la dynamique complexe des signaux, il est extrmement dicile pour
lutilisateur non autoris, averti de la transmission, daccder linformation. Dautres avantages potentiels
doivent tre nots, entre autres le partage des ressources de canal par lemploi dune mthode CDMA (Code
Division Multiple Acces), rsultant de la faible inter-corrlation des signaux chaotiques, et de la complexit
rduite des dispositifs de transmission.
Plusieurs mthodes de modulation chaotique ont t prsentes dj dans le chapitre 2, mais ce jour
la majorit des solutions proposes sont issues de simulations numriques sur des canaux de transmission
aects par un bruit blanc gaussien. Une prsentation gnrale de ce domaine est donne dans [Has98, Yan04].
Lobjet de ce chapitre est de proposer des solutions de rcepteurs chaotiques en mesure doprer dans
des environnements sans-l ralistes (non-stationnarit du canal en amplitude et phase). La premire partie
du chapitre est destine lintroduction de lmetteur employ, qui sera le mme pour toutes les versions
de rcepteurs prsents ensuite. Deux familles de rcepteurs seront considres, en fonction de la faon
daccomplir la synchronisation.
83
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 84
La premire catgorie de solutions repose sur la mise en oeuvre dune synchronisation chaotique, celle-ci
ayant lavantage dune structure trs simple, tout autre mcanisme de synchronisation supplmentaire ntant
pas ncessaire. Leung et Zhu [LZ01] ont obtenu des rsultats thoriques importantes sur la synchronisation
chaotique par ltrage de Kalman, particulirement le ltrage de Kalman Etendu (EKF). Nous avons dmontr
de mme, dans les chapitres 2 et 3 ainsi que dans [LABS06], que des solutions alternatives pertinentes
existent, par utilisation du UKF (Unscented Kalman Filter) ou bien du ExPKF (Exact Polynomial Kalman
Filter). Alors la construction du rcepteur devient facile quelle que soit la solution destimation choisie
[APB02, APDB03, ALBS04, LABS05]. Ces solutions arrivent mme compenser des caractristiques du
canal non-stationnaire en phase et en amplitude mais par contre sont encore rserves aux rapports SNR
(Signal to Noise Ratio) positifs.
Dans le but de tester les performances dun tel systme de transmission sur un canal de type acoustique
sous-marin trajets multiples et des rapports SNR ngatifs, une solution base seulement sur la synchro-
nisation chaotique na pour linstant pas t obtenue. Pour contourner cette limitation, nous tudions dans
la seconde partie du chapitre une autre famille de solutions, reposant sur des schmas de synchronisation
plus conventionnels. Acquisition et poursuite seront ainsi accomplies avec estimation dtat du symbole et
ventuellement de lerreur de phase. Une extension plusieurs trajets sera aussi propose [ALBS05], avec la
compensation pour chaque trajet de la phase et du gain.
Les mthodes voques ci-dessus seront compares une variante de rcepteur RAKE-MRC [Pro95] par
rapport un critre de TEB.
4.2 Emetteur du systme Chaotic DS-SS (CD3S)
Le systme CD3S a t dvelopp [HBM94, APB02] partir dun modle classique de transmission
talement du spectre de type squence directe. Lide principale est de remplacer le code dtalement binaire,
gnr classiquement avec des registres dcalage, par une squence chaotique valeurs relles dans un
intervalle xe. Le schma gnral dun systme CD3S est prsent dans la gure 4.1. Les symboles informa-
tionnels b
k
, reprsentant une modulation de phase de linformation initiale binaire, subissent ultrieurement
ltalement par le code chaotique c
k
R caractris par une frquence chip F
c
F
b
, o F
b
= 1/T
b
est le
taux de transmission des symboles. A ce point nous ne faisons aucune supposition sur le type de squence
chaotique, juste que celle-ci est donne par lquation rcursive mono-dimensionnelle c
k
= f(c
k1
).
On peut crire lexpression du signal tal sous la forme x
k
= b
k/L
c
k
, o | dsigne la partie entire
du nombre et o G = F
c
/F
b
reprsente le gain dtalement. Le choix du gain dtalement dpend de la
bande disponible, du taux de transmission et du taux derreur binaire souhait de mme que dventuelles
contraintes de scurit de transmission.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 85
On peut remarquer la similarit de ce systme avec la mthode de modulation chaotique de type CSK.
Eectivement, si on considre la modulation de phase de linformation comme un changement de la dynamique
chaotique du code dtalement, on obtient vraiment une structure de type CSK. Ltalement du spectre par
squence chaotique directe reprsente donc un cas particulier de modulation CSK.
En ce qui concerne ltablissement de la synchronisation, des symboles pilotes peuvent tre interposs
au cours de la transmission comme nous le verrons plus tard. Finalement le signal subit un ltrage de type
Nyquist et une porteuse sinusodale est utilise pour la transposition dans la bande choisie.
4.3 Modles de base pour les rcepteurs CD3S
Comme il a t suggr rcemment [APB02], la synchronisation chaotique et la dtection du symbole
peuvent tre obtenus simultanment en utilisant un schma de ltrage Kalman parallle (estimation simul-
tane du Code/Symbole). Pour une application sur des canaux rels le problme de la rcupration de la
porteuse doit tre considr. Gnralement, ce problme est suppos rsolu, lanalyse gnrique des systmes
de transmission tant faite plutt en bande de base. Les travaux o la rcupration de porteuse nest pas
ignore exploitent habituellement une boucle de Costas ; Nous considrerons aussi cette solution comme point
de dpart dans notre tude. Les deux prochains paragraphes exposent deux rponses possibles au problme :
la rcupration de porteuse sera dabord traite en amont de lestimation simultane Code/Symbole, puis
nous examinerons une autre approche o ces deux traitements seront rgls conjointement.
4.3.1 Rcepteur estimation parallle du code et du symbole
Cette premire mthode considre le problme de la rcupration de la porteuse rsolu en amont de la
structure destimation du code et du symbole. Cette solution propose par [APB02], se base sur un ltrage
Kalman parallle. Linformation est ici rcupre par une mthode de synchronisation chaotique et non par
une structure de type corrlateur. Ainsi la non-linarit introduite par la dynamique chaotique joue un rle-cl
dans ce rcepteur. Le schma gnral dun tel rcepteur est donn dans la gure 4.2.
Fig. 4.1 Schma gnral dun systme CD3S
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 86
Fig. 4.2 Rcepteur CD3S bas sur une estimation Code/Symbole duale
Cette structure suppose un signal valeurs relles en entre du bloc de ltrage parallle ; En consquence,
le problme de la rcupration de porteuse doit tre rgl en amont pour compenser lerreur de phase. Dans
la gure 4.3, la structure de ltrage Kalman permet lestimation simultane, la frquence chip F
c
, de la
squence dtalement chaotique initiale c
k
et du symbole informationnel b
k
, partir de lobservation bruite
y
k
. Chacun des deux ltres utilise le dernier tat estim par lautre ltre comme paramtre, le modle gnral
tant donn par les quations (4.1). Ainsi les modles de processus et dobservation pour la synchronisation
du code ont la forme suivante :
_

_
c
k+1
= f (c
k
) +v
c
k
y
k
= sgn
_

b
k1
_
c
k
+n
k
(4.1)
o f() dsigne la fonction gnratrice chaotique, et o la squence de bruit v
c
k
^ (0, Q
c
), indpendante de
ltat c
k
, rete lincertitude de modle associe aux imperfections du canal ; Le terme n
k
^ (0, R) dsigne
le bruit dobservation et il est surtout dpendant du rapport Signal Bruit (SNR - Signal to Noise Ratio)
lentre du rcepteur.
Fig. 4.3 Lestimateur Dual Code/Symbole
De faon similaire, le symbole sera estim la frquence chip en utilisant les modles dynamique et
dobservation suivants : _

_
b
k+1
= b
k
+v
b
k
y
k
= b
k
f( c
k1
) +n
k
(4.2)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 87
1.5 1 0.5 0 0.5 1 1.5
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Diagramme de synchronisation | DUAL UKF | SNR = 20 dB
S

q
.

c
h
a
o
t
i
q
u
e

i
n
i
t
i
a
l
e
Sq. chaotique estime
0 5 10 15 20 25 30
1.5
1
0.5
0
0.5
1
1.5
No. symbole
S
y
m
b
o
l
e

e
s
t
i
m

Estimation du symbole informationnel | DUAL UKF | SNR = 20 dB


Symbole estim
Symbole inf.
a) b)
Fig. 4.4 a) Diagramme de synchronisation pour le rcepteur parallle C/S (implmentation UKF) ; b)
Estimation du symbole mis
o la squence de bruit gaussien v
b
k
^
_
0, Q
b
_
, considr de mme indpendant de ltat b
k
, va inuencer
la capacit du ltre suivre lvolution du symbole. Une petite valeur de la variance Q
b
entranera une faible
capacit de poursuite alors quune variance importante du bruit de processus va permettre une meilleure
adaptation aux changements de symbole.
Il faut souligner que grce lensemble des termes de bruit
_
v
c
k
, v
b
k
, n
k
_
et lemploi dune mthode
destimation non-linaire de type Unscented ou ExPKF, ce rcepteur peut encore fonctionner sur des canaux
slectifs en frquence [APB02, APDB03], mme si le modle dobservation na pas explicitement inclus la
propagation par trajet multiple. Un tel modle ainsi quun comparatif des performances seront prsents au
paragraphe 4.4.
Les gures 4.4 a) et b) illustrent le comportement du rcepteur parallle C/S, en utilisant une dynamique
chaotique de type Chebyshev dordre deux et une modulation de linformation de type BPSK. Ainsi on
reprsente dans la partie a) le diagramme de synchronisation et dans la partie b) on donne un aperu des
symboles informationnels estims.
Les paramtres de simulation ont t choisis de la manire suivante :
simulation en bande de base ;
fonction chaotique gnratrice de type Chebyshev (ordre 2) : f (x
k
) = 2x
2
k
1 ;
gain dtalement : G = 63 ;
rapport Signal Bruit : SNR = 20 dB;
Aussi on va prciser le paramtrage du ltre de Kalman employ :
ltrage non-linaire UKF;
variances des bruit de processus : Q
b
= 10
2
, Q
c
= 10
1
;
variance du bruit de mesure adapt au rapport SNR : R =
c
10

SNR
10
= 5 10
3
, o la variance de la
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 88
squence dtalement est
c
= 0.5.
Le diagramme de synchronisation nous conrme que le rcepteur travaille avec une mthode de synchro-
nisation chaotique pour russir en mme temps lestimation du symbole informationnel. Quelques courtes
dsynchronisations sobservent au niveau du changement de symbole binaire mais le rcepteur russit ra-
pidement rcuprer la bonne valeur de ltat. En jouant sur les variances du bruit de processus on peut
augmenter ou rduire la rapidit de synchronisation, au risque de pnaliser lEQM. Une telle tude a t
faite [Luc03] sur le meilleur choix de ces deux variances, et nalement les valeurs Q
b
= 10
2
, Q
c
= 10
1
conviennent dans la majorit des situations par rapport au critre de lEQM de synchronisation.
4.3.2 Estimation simultane du Code, du Symbole et de la Phase
A linverse de la structure prcdente de rcepteur, base sur une boucle de Costas pour rsoudre la
compensation de phase avant la dmodulation, nous allons maintenant dvelopper une autre solution consi-
drant une erreur de phase possible dans le signal en bande de base. Ainsi la structure prsente dans la
gure 4.5 ralise la transposition de frquence avec une porteuse xe pour obtenir les signaux en phase et en
quadrature.
Fig. 4.5 Rcepteur CD3S bas sur une estimation Code/Symbole/Phase
On va construire le modle du nouveau rcepteur partir de la structure parallle Code/Symbole, en
ajoutant un nouveau bloc qui fera lestimation de lerreur de phase en utilisant le code dtalement et le
symbole estims comme paramtres. On considre un estimateur dordre deux pour modliser lerreur de
phase entre la porteuse du signal reu et celle du signal utilis par la dmodulation. Un aspect important est
aussi le changement de dimension de ltat observ qui cette fois va inclure la forme quadratique du signal
reu, mme dans le cas dune modulation de phase deux tats.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 89
Fig. 4.6 Estimateur parallle Code/Symbole/Phase
Les modles utiliss pour lestimation du code, du symbole et de la phase sont donns par les quations
(4.3), (4.4) et (4.5), respectivement :
_

_
c
k+1
= f (c
k
) +v
c
k
y
k
= sgn
_

b
k1
_
c
k
.g
_

k1
+
k1
_
+n
k
(4.3)
_

_
b
k+1
= b
k
+v
b
k
y
k
= b
k
.f ( c
k1
) .g
_

k1
+
k1
_
+n
k
(4.4)
_

_
_

k+1

k+1
_

_ =
_

k
+
k

k
_

_ +v

k
y
k
= sgn
_

b
k1
_
.f ( c
k1
) .g (
k
) +n
k
(4.5)
o g (.) sexprime comme :
g (
k
) =
_
cos (
k
) sin(
k
)
_
T
(4.6)
n
k
tant le bruit associ lobservation y
k
et v

k
dsignant le bruit de processus associ lestimateur de
phase :
y
k
=
_
y
Re
k
, y
Im
k

T
, n
k
=
_
n
1
k
, n
2
k

T
, v

k
=
_
v
1
k
, v
2
k

T
(4.7)
Comme dj considr pour lestimateur parallle Code/Symbole, les bruits sont supposs gaussiens cen-
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 90
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
5
10
15
20
25
Phase estime [rad]
P
h
a
s
e

e
s
t
im

e

[
r
a
d
]
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
0.02
0.04
0.06
Accroissement moyen de phase estim
V
a
le
u
r

e
s
t
im

e
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
40
20
0
20
40
Erreur de frquence instantane [Hz]
Temps [s]
E
r
r
.

f
r

q
.

in
s
t
.

[
H
z
]
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
5
10
15
20
25
Phase estime [rad]
P
h
a
s
e

e
s
t
im

e

[
r
a
d
]
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
0.02
0.04
0.06
Accroissement moyen de phase estim
V
a
le
u
r

e
s
t
im

e
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
40
20
0
20
40
Erreur de frquence instantane [Hz]
Temps [s]
E
r
r
.

f
r

q
.

in
s
t
.

[
H
z
]
a) b)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
5
10
15
20
25
Phase estime [rad]
P
h
a
s
e

e
s
t
im

e

[
r
a
d
]
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
0.02
0.04
0.06
Accroissement moyen de phase estim
V
a
le
u
r

e
s
t
im

e
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
40
20
0
20
40
Erreur de frquence instantane [Hz]
Temps [s]
E
r
r
.

f
r

q
.

in
s
t
.

[
H
z
]
c)
Fig. 4.7 Reprsentation des paramtres de phase estims pour : a) une erreur de frquence nulle et un
canal stationnaire ; b) une erreur de frquence constante et un canal stationnaire ; c) une erreur de frquence
sur un canal avec des changements priodiques de phase
trs et indpendants des tats :
_

_
v
c
k
N (0, Q
c
) , v
b
k
N
_
0, Q
b
_
v

k
N
_
0, Q

_
, Q

= diag
_
Q
1
, Q
2

Le bruit dobservation est modlis par une statistique gaussienne : n


k
^ (0, R), avec la matrice de
covariance R =

2
2
I
2
.
Pour illustrer le fonctionnement de lestimateur erreur de phase nous avons considr trois cas :
dmodulation sans erreur de frquence porteuse dans le cas dun canal stationnaire (gure 4.7 a) ;
dmodulation avec une erreur de frquence dans le cas dun canal stationnaire (gure 4.7 b) ;
dmodulation avec une erreur de frquence sur un canal avec des changements priodiques de phase
(gure 4.7 c).
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 91
Comme la reprsentation du signal informationnel estim est quivalente au cas dune dmodulation
laide de deux ltres on considre seulement la variation temporelle des coecients estims et de la frquence
instantane. Seul le ltrage de Kalman Unscented est utilis pour ces estimations, cause dune meilleure
stabilit par rapport au ltrage EKF et de la dicult de modlisation des fonctions trigonomtriques sous
une forme polynomiale pour le ltre ExPKF.
Les paramtres des simulations sont les suivants :
simulation sur porteuse ;
frquence dchantillonnage : F
e
= 44100 Hz ;
frquence porteuse : F
p
= 8000 Hz ;
frquence chip : F
c
= 4410 Hz ;
fonction chaotique gnratrice de type Chebyshev (ordre 2) : f (x
k
) = 2x
2
k
1
gain dtalement : G = 63 ;
rapport Signal Bruit : SNR = 20 dB;
Pour le paramtrage du ltre on a utilis les mmes valeurs que dans le cas du rcepteur C/S, en ajoutant
la matrice de covariance pour lestimation de lerreur de phase sous la forme Q

= diag
_
10
5
, 10
6

. Une
remarque simpose sur la relative instabilit du ltre au niveau de lerreur de phase estime, pour des canaux
trs bruits et non-stationnaires : des sauts de phase de peuvent tre remarqus, et dans telles situations
lemploi dune mthode de modulation direntielle doit tre envisag.
Pour les deux structures de rcepteurs considres (C/S et C/S/P) des simulations plus exhaustives seront
proposes par la suite avec en particulier une tude comparative sur le critre de TEB.
4.3.3 Mthodes de contrle de gain
Pour lapplication des canaux rels des structures de rcepteurs prsentes antrieurement, en plus
de la rcupration de la porteuse, lutilisation dune mthode de contrle de gain simpose pour viter une
dgradation importante des performances de synchronisation. Mme pour un canal stationnaire avec un gain
non-unitaire, des erreurs importantes de synchronisation apparaissent.
Plusieurs approches sont possibles : la plus utilise en pratique est lemploi dune boucle de rgulation
indpendante des caractristiques du signal reu, en amont du rcepteur. Alors, les performances sont assez
limites, tout particulirement dans les environnements fortement bruits.
Nous allons proposer deux mthodes de contrle de gain adaptes aux rcepteurs bass sur un modle de
ltrage Kalman parallle. La premire solution considre une modication de la dynamique du systme, an
de transfrer les variations de lattnuation du canal sur lamplitude du symbole informationnel. Dans le cas
dune modulation de phase cette modication damplitude ne va pas inuencer la dtection du symbole. La
modication de la dynamique non-linaire est dcrite par la relation :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 92
1.5 1 0.5 0 0.5 1 1.5
1.5
1
0.5
0
0.5
1
1.5
2
2.5
x[k]
x
[
k
+
1
]
Fonction caractristique
Cheby2 original
Dynamique mod.
Fig. 4.8 La fonction caractristique initiale et modie pour une non-linarit de type Chebyshev dordre
deux

f(x
k
) =
_

_
f(x
k
), [x
k
[ 1
1, [x
k
[ > 1
(4.8)
et avec cette nouvelle caractristique

f() la dmodulation sopre de la mme manire par la structure
Kalman parallle. Les nouveaux modles dynamiques construits partir des quations dj considres dans
la section prcdente, sont donns par les relations suivantes :
_

_
c
k+1
=

f (c
k
) +v
c
k
y
k
=

b
k1
c
k
+n
k
(4.9)
_

_
b
k+1
= b
k
+v
b
k
y
k
= b
k

f( c
k1
) +n
k
(4.10)
La gure 4.8 reprsente la nouvelle fonction caractristique, avec des valeurs possibles pour la squence
chaotique limites lintervalle [1, 1], forant ainsi la variation du gain de canal inuencer lamplitude de
ltat b
k
. On observe aussi que le modle dobservation (4.9) ne fait plus apparatre loprateur non-linaire
signe. Ces modications vont dgrader sensiblement la statistique de ltat chaque tape de ltrage, comme
nous le verrons par la suite.
La deuxime mthode propose utilise les proprits statistiques de la squence dtalement chaotique
pour accomplir la correction du gain. Grce la boucle mise en oeuvre, le code chaotique estim en rception
sera ajust pour faire concider son moment dordre deux avec celui de la squence originale. Ainsi dans le
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 93
0 0.2 0.4 0.6 0.8 1 1.2 1.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Gain
1
estim
Temps [s]
G
a
i
n

1
Gain
1
du canal
Gain
1
estim
a) b)
Fig. 4.9 a) Implmentation de la boucle de contrle de gain statistique ; b) Inverse du gain estim et
variations du canal
cas dune caractristique Chebyshev dordre deux, caractrise par une variance de 0.5, on peut raliser un
contrle par la pondration suivante du gain :
G
n+1
= G
n
0.5
E c
2
k

(4.11)
o n est lindice associ au symbole.
Avec lvaluation de la statistique du code estim, la frquence symbole, la boucle permet le calcul de
linverse du gain du canal. Dans ces conditions une variation plus lente de lattnuation du canal par rapport
cette frquence dajustement du gain (frquence symbole) permettra un meilleur contrle de lamplitude
du signal lentre du rcepteur. La gure 4.9 a) illustre le principe du contrle de gain mis en oeuvre ; dans
la partie b) un exemple de fonctionnement de celle-ci est propos pour une variation priodique du gain du
canal. On peut remarquer que la valeur de G
k
suit eectivement les variations de linverse du coecient de
transfert du canal.
Nous allons maintenant examiner de manire comparative le comportement des deux approches de contrle
de gain proposes. Les paramtres choisis pour ces simulations sont les mmes que ceux utiliss pour les
rcepteurs ltrage parallle, avec un rapport SNR = 20dB constant sur lensemble de la squence transmise.
Ainsi dans la gure 4.10, on reprsente lvolution du signal informationnel : si dans le cas de la dynamique
modie (g. 4.10 a) lamplitude du symbole suit les variations du gain du canal, dans le cas de la boucle de
contrle statistique (g. 4.10 b) on ne remarque pas de modications sur laspect du symbole estim.
Au niveau des performances des mthodes proposes une premire observation est faire sur les dia-
grammes de synchronisation prsents. Comme on sy attendait la non-linarit trs forte introduite par la
mthode de la dynamique modie se retrouve dans les performances de synchronisation dont le diagramme
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 94
0 0.2 0.4 0.6 0.8 1 1.2 1.4
8
6
4
2
0
2
4
6
8
Signal informationnel estim
Temps [s]
A
m
p
l
i
t
u
d
e

d
u

s
i
g
n
a
l
Variation du gain
Signal estim
0 0.2 0.4 0.6 0.8 1 1.2 1.4
8
6
4
2
0
2
4
6
8
Signal informationnel estim
Temps [s]
A
m
p
l
i
t
u
d
e

d
u

s
i
g
n
a
l
Variation du gain
Signal estim
a) b)
Fig. 4.10 Estimation du signal informationnel en fonction du gain du canal pour : a) la mthode du modle
dynamique modi ; b) la mthode statistique (contrainte sur le moment dordre deux du code)
4 3 2 1 0 1 2 3 4
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Diagramme de synchronisation modle modifi
Sq. chaotique estime
S

q
.

c
h
a
o
t
i
q
u
e

i
n
i
t
i
a
l
e
4 3 2 1 0 1 2 3 4
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Diagramme de synchronisation mthode statistique
Sq. chaotique estime
S

q
.

c
h
a
o
t
i
q
u
e

i
n
i
t
i
a
l
e
a) b)
Fig. 4.11 Diagramme de synchronisation pour : a) la mthode du modle dynamique modi ; b) la mthode
statistique
est prsent dans la gure 4.11 a). Par contre encore une fois la mthode statistique simpose avec un trs
bon diagramme de synchronisation (g. 4.11 b).
Pour mesurer les performances des mthodes proposes dune manire gnrale et aussi voir leet du
coecient de transfert sur le rcepteur estimation simultane sans compensation de gain, on a utilis
un canal stationnaire avec le gain relatif qui varie linairement dans lintervalle [0.2, 3] au mme rapport
SNR = 20dB. Cette valeur importante du SNR a t choisie an que linuence du bruit sur les performances
des rcepteurs soit rduite, pouvant ainsi conclure quune mauvaise performance est lie directement aux
variations de gain et lalgorithme de compensation choisi.
Avec ces hypothses un critre sur lEQM de synchronisation entre la squence dtalement initiale et
la squence estime, peut tre utilis pour donner laperu de lecacit des mthodes de contrle de gain
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 95
0.5 1 1.5 2 2.5 3
0
0.5
1
1.5
2
2.5
3
3.5
EQM de sync. en fonction du gain linaire Cheby2
Gain du canal
E
Q
M

d
e

s
y
n
c
.
sans controle du gain
modle modifi
mthode statistique
Fig. 4.12 Inuence du gain du canal sur lEQM de synchronisation pour le systme standard et les mthodes
de contrle de gain prsentes
(gure 4.12).
Le rcepteur standard (sans contrle de gain) se caractrise par une EQM petite pour un coecient de
transfert unitaire mais par contre une forte variation de ce coecient va conduire rapidement une dsyn-
chronisation. La structure qui utilise la dynamique modie est caractrise par une erreur de synchronisation
lgrement plus importante dans le voisinage du gain unitaire mais elle parvient compenser un accrois-
sement important du gain. On remarque de mme quelle prsente une amlioration limite pour des gains
infrieurs un.
Si on se rfre maintenant lemploi de la boucle de contrle statistique, le gain de canal na presque
aucune inuence sur le rcepteur ; Celui-ci peut alors fonctionner avec succs pour presque nimporte quelle
variation du canal. La limite est atteinte quand le canal a une variation rapide sur une priode symbole,
entranant alors une mauvaise reconstruction du code dtalement.
4.3.4 Rcepteur bas sur une structure de type corrlateur
Nous avons cherch mettre au point des solutions de rcepteurs moins coteuses en calculs que les struc-
tures ltres parallles vus prcdemment. La mthode la plus simple pour rcuprer le signal informationnel
tal par lintermdiaire dune squence chaotique est lemploi dune structure de type corrlateur. De faon
gnrale le corrlateur reprsente aussi la solution optimale thorique avec les hypothses de la connaissance
complte de la squence dtalement et un canal stationnaire aect par un bruit gaussien.
Nous allons voir dans les dveloppements qui suivent que la rcupration du signal informationnel reste
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 96
possible mme avec la mconnaissance du code dtalement, en gardant une hypothse de parit sur la
fonction gnratrice chaotique. Cette hypothse conjointement la modulation de phase dordre deux nous
garantissent que par propagation directe de lchantillon chip antrieurement observ travers la dynamique
non-linaire, on obtient une estimation de la squence dtalement initiale, aecte par un bruit. Le schma
qui prsente cette variante de dmodulateur est donn dans la gure 4.13.
Dans ce schma L est le gain dtalement utilis, et de faon similaire avec les notations prcdentes
y
k
reprsente ltat observ et

b
n
le symbole informationnel estim o n =
_
k
L
_
. La dtection du symbole
informationnel sera accomplie par la corrlation directe entre la valeur propage et ltat observ, la dcision
tant prise avec un simple dtecteur seuil.
La mconnaissance de la squence dtalement va se traduire sous la forme dun bruit lissue de la
propagation directe de lchantillon observ. Par exemple, pour le cas particulier dune fonction Chebyshev
dordre deux nous aurons les relations suivantes :
f (y
k
) = f (b
k
c
k
+n
k
)
= 2 (b
k
c
k
+n
k
)
2
1
= 2b
2
k
c
2
k
+ 4b
k
c
k
n
k
+ 2n
2
k
1
= f (c
k
) + 4b
k
c
k
n
k
+ 2n
2
k
(4.12)
Donc nous obtenons :
f (y
k
) = c
k+1
+n
r
k
(4.13)
o n
r
k
= 4b
k
c
k
n
k
+ 2n
2
k
est le bruit rsultant de la propagation de lobservation. Bien sr cette relation
nest valable que dans le cas dun canal aect par un bruit additif gaussien.
Nous constatons que le terme de bruit additif de la relation (4.13) a une dpendance dordre deux avec
le bruit dans le canal ; Ainsi dans un scnario avec un SNR bas, le principe de prdiction laide du modle
chaotique va probablement entraner des performances limites. Si on passe une dynamique de non-linarit
plus forte, par exemple un polynme Chebyshev dordre quatre, les eets de la propagations seront plus
Fig. 4.13 Rcepteur CD3S exploitant un corrlateur
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 97
critiques, le bruit rcursif ajout tant cette fois dpendant lordre quatre avec le bruit prsent dans le
canal. Bien sr cette dpendance va inuencer dautant plus les performances gnrales des mthodes. Ces
conclusions qualitatives se retrouvent bien sur les courbes de TEB prsentes dans les gures 4.15 et 4.16.
4.3.5 Rsultats obtenus par simulation numrique
Pour un systme de communication numrique le meilleur critre de performance est donn par le taux
derreur binaire, et dans notre cas de simulation, dun systme mono-utilisateur, le paramtre dintrt
sera le rapport signal bruit moyen et bien sr les caractristiques du canal utilis. La robustesse des
rcepteurs proposs en prsence de bruit et dimperfections du canal de communication a t tudie laide
de simulations Monte-Carlo, avec un objectif de TEB = 10
3
.
La squence chaotique utilise, comme dj prcise, est une dynamique de type Chebyshev dordre deux.
Pour les simulations, les deux structures C/S et C/S/P ont t mises en oeuvre sur les canaux suivants :
canal gaussien stationnaire sans erreur de phase et un coecient de transfert du gain de valeur unit ;
canal gaussien non-stationnaire avec des variations priodiques de phase et de gain ; Les variations de
phase sont produites par changement sinusodal de la frquence instantane avec une amplitude de
20 Hz et une priode de 0.1 s. On mentionne que la frquence porteuse choisie est F
p
= 8000 Hz. Le
gain de canal subit une variation priodique dans lintervalle [1.5, 4.5].
Les rsultats pour les conditions prsentes ci-dessus sont donnes dans les gures 4.14. Les gures a) et
b) montrent les eets des mthodes de contrle de gain sur les performances des structures C/S et C/S/P,
lorsque le gain de canal ne varie pas. Le choix de reprsenter ces deux mthodes sur des gures direntes
est justi par lcart important des performances observes, par exemple dans lintervalle [8dB, 12dB] les
structures C/S nont donn aucune erreur lors de nos simulations. Dans le cas du canal stationnaire, la
structure C/S ore des performances bien meilleures que la structure C/S/P.
Cette observation se retrouve dans le cas du canal non-stationnaire mais avec un cart nettement moindre
entre les courbes de TEB. Si dans le cas stationnaire la distance se situe autour de 7 8dB, nous avons
maintenant un cart de 23dB environ, pour le cas de la boucle de contrle statistique. Le bon fonctionnement
de cette solution de contrle de gain, observ sur la gure 4.12 se retrouve bien en terme de TEB. On peut
remarquer aussi que la probabilit derreur associe la structure C/S/P suit une dcroissance plutt de type
linaire, ainsi la distance par rapport aux autres courbes ne reste pas constante. Lensemble des simulations
numriques montre donc que lintroduction au niveau du dmodulateur dun tat supplmentaire pour la
phase tend dgrader les performances.
Un deuxime groupe de simulations va maintenant montrer lecacit des direntes mthodes destima-
tion dtat en considrant toujours le critre de TEB. Comme la transforme polynomiale exacte propose
suppose un modle dynamique dordre un, nous nous limiterons cette fois au cas du rcepteur C/S, avec
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 98
2 1 0 1 2 3 4 5 6
10
4
10
3
10
2
10
1
10
0
BER/CNR canal stationnaire | Rcepteur: C/S
CNR [dB]
B
E
R
C/S sans CAG
C/S dynamique mod.
C/S boucle de controle
8 9 10 11 12 13 14 15
10
4
10
3
10
2
10
1
10
0
BER/CNR canal stationnaire | Rcepteur: C/S/P
CNR [dB]
B
E
R
C/S/P sans CAG
C/S/P dynamique mod.
C/S/P boucle de controle
a) b)
8 9 10 11 12 13 14 15 16
10
4
10
3
10
2
10
1
10
0
BER/CNR canal nonstationnaire | Rcepteurs: C/S + C/S/P
CNR [dB]
B
E
R
C/S/P dynamique mod.
C/S/P boucle de controle
C/S dynamique mod.
C/S boucle de controle
c)
Fig. 4.14 a) TEB du rcepteur C/S sur un canal AWGN gain unit ; b) TEB du rcepteur C/S/P sur un
canal AWGN gain unit ; c) TEB des structures C/S et C/S/P sur un canal non-stationnaire aect par
un bruit gaussien.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 99
2 0 2 4 6 8 10
10
4
10
3
10
2
10
1
10
0
SNR [dB]
B
E
R
BER Chebyshev 2
me
ordre G=31
ExPKF
UKF
Scaled UKF
Corr. Dyn.
2 0 2 4 6 8 10
10
4
10
3
10
2
10
1
10
0
SNR [dB]
B
E
R
BER Chebyshev 2
me
ordre G=63
ExPKF
UKF
Scaled UKF
Corr. Dyn.
a) b)
Fig. 4.15 TEB des rcepteurs proposs pour une dynamique Chebyshev de 2-me ordre et pour un gain
dtalement de : 31 ( gauche) et 63 ( droite).
lhypothse dun verrouillage de phase en amont. Pour comparer nous considrons aussi le rcepteur prsent
dans la sous-section 4.3.4, bas sur un corrlateur avec la propagation de ltat observ travers la dyna-
mique non-linaire. Comme les deux rcepteurs considrs traitent la rcupration de porteuse en amont,
nous menons les simulations en bande de base an de limiter le cot de calcul. Notre objectif tant de juger
de la capacit des mthodes destimation dtat fonctionner en prsence de dynamique non-linaire, nous
considrons les ordres 2 et 4 de polynmes de Chebyshev. Les rsultats seront montrs chaque fois pour
deux valeurs du gain dtalement (31 et 63).
Pour la dynamique dordre deux (gs. 4.15) on observe dans les deux cas que la structure de type corrla-
teur obtient les meilleures performances, mais en augmentant le gain dtalement, lcart entre cette mthode
et celles bases sur lestimation dtat diminue. Si on compare maintenant les structures ltrage parallle,
la variante scaled-UKF prend le dessus sur la solution ExPKF; Ce comportement sexplique par lajuste-
ment du calcul des moments eectu par le ltre scaled-UKF pour combattre les ventuelles divergences
de la covariance des erreurs. Aussi on nobserve pas de dirence importante entre la solution ExPKF et
limplmentation UKF, comme dans le cas particulier du polynme de Chebyshev dordre deux cette dernire
approche permet un calcul correct des moments.
Pour la dynamique chaotique de 4-me ordre, les courbes de TEB sont donnes dans les gures 4.16 a)
et b). On observe une diminution lgre des performances pour tous les rcepteurs. Cette fois, il est mieux
de dmoduler par ltrage Kalman parallle qu laide dun corrlateur. Comme il a dj t voqu la
moins bonne performance de cette dernire approche provient de lamplication du bruit par la dynamique
fortement non-linaire. Le dmodulateur ltre ExPKF ore cette fois, avec limplmentation UKF, les
meilleures performances. La non-linarit accentue provoque une lgre dgradation du TEB obtenu par
ltrage scaled-UKF.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 100
4 5 6 7 8 9 10 11 12 13 14
10
4
10
3
10
2
10
1
10
0
SNR [dB]
B
E
R
BER Chebyshev 4
me
ordre G=31
ExPKF
UKF
Scaled UKF
Corr. Dyn.
4 6 8 10 12 14 16
10
4
10
3
10
2
10
1
10
0
SNR [dB]
B
E
R
BER Chebyshev 4
me
ordre G=63
ExPKF
UKF
Scaled UKF
Corr. Dyn.
a) b)
Fig. 4.16 TEB des rcepteurs proposs pour une dynamique Chebyshev de 4-me ordre et pour un gain
dtalement de : 31 ( gauche) et 63 ( droite).
Une dernire observation est ncessaire propos du cot de calcul : sur ce plan limplmentation ExPKF
excelle car il ny a aucune propagation dchantillons et lexpression des moments est calcule analytiquement,
linverse des mthodes de ltrage de type UKF.
4.4 Gnralisation du ltrage Kalman parallle pour les canaux
trajets multiples
4.4.1 Structure du rcepteur
Les mthodes proposes dans la premire partie de ce chapitre ont un avantage important par rapport
tout autre type de rcepteur talement de spectre ; En eet la tche de synchronisation nest plus traite
comme un problme part entire mais est rsolue intrinsquement par la proprit de synchronisation du
chaos. Par contre cette simplication structurelle du rcepteur se traduit par une augmentation du taux
derreur binaire. Il est maintenant propos de comparer les rcepteurs bass sur la synchronisation chaotique
avec des variantes de rcepteurs qui utilise des mthodes dacquisition et de poursuite gnralement associes
aux systmes talement du spectre, gardant quand mme une estimation du symbole par ltrage de Kalman
parallle [ALBS05].
La structure gnrale du rcepteur est prsente dans la gure 4.17. Ainsi une fois ltape dacquisition
acheve et le signal transpos en bande de base, on utilise une boucle verrouillage de retard (Delay Locked
Loop - DLL) pour garder la synchronisation du rcepteur ; La solution propose est similaire celle dun
rcepteur talement de spectre classique [Pro95]. Pour ce qui concerne la boucle verrouillage de retard
on utilise deux branches avec les versions du signal de rfrence en retard et en avance, correspondant
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 101
Fig. 4.17 Structure du rcepteur CD3S propos
respectivement aux indices = 1 et = +1 :
r
()
(k) = r
_
T
e
+k
T
c
T
e
_
(4.14)
o T
c
et T
e
sont la priode chip et la priode dchantillonage, respectivement.
La branche qui obtient la meilleure rponse en corrlation va avoir une inuence sur le retard ou lavance
du code de rfrence, respectivement. A cette conguration de base on a ajout une dcision par seuils, qui
permet dapporter une certaine tolrance sur le positionnement de la rfrence.
Grce cette approche le symbole et lerreur de phase seront estims la frquence chip, en utilisant
une structure destimation parallle similaire celle dveloppe dans la section prcdente. A cause de la
non-linarit prsente par lestimation de phase, on va utiliser la mthode de ltrage de type scaled-UKF.
Ce ltre a dj prouv quil assure une meilleure robustesse que le populaire EKF, un niveau de complexit
similaire.
Deux cas seront prsents : le premier considre le modle de ltrage parallle dvelopp pour la prise en
compte dun seul trajet de propagation. En dpit de sa simplicit apparente, nous verrons par la suite que cette
mthode fonctionne aussi des niveaux de bruit importants et en prsence de trajets multiples. Des signaux
exprimentaux, recueillis lors dessais de transmissions acoustiques sous-marines, seront en particulier utiliss.
Une deuxime variante de rcepteur sera considre, prenant en compte dans le processus destimation les
retards et gains associs dirents trajets. Ces rsultats ont fait lobjet des publications [APDB03, ALBS05].
4.4.2 Gnralisation des modles de ltrage Kalman
Ce paragraphe est destin lintroduction des modles employs par la structure destimation parallle.
Ainsi comme on a dj prsent dans la premire partie de la section, on va choisir un modle qui va
prendre en compte un seul trajet, et aprs une deuxime version avec la modlisation de plusieurs chos.
Dans les deux cas lestimateur Kalman a la mme structure parallle, avec un ltre associ lestimation du
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 102
symbole linstant k, en utilisant le dernier paramtre de phase estim

k1
et le deuxime ltre qui suit les
uctuations de la phase avec la connaissance du dernier symbole estim

b
k1
. Comme auparavant les deux
ltres fonctionnent la frquence chip.
Modle un seul trajet
La premire solution est facilement crite partir du modle gnral prsent par la solution C/S/P.
Ainsi le processus qui assure lestimation du symbole b
k
est prsent sous la forme suivante :
_

_
b
k+1
= b
k
+v
b
k
y
k
= b
k
.f (c
k1
) .g
_

k1
_
+n
k
(4.15)
o c
k
est le code dtalement utilis et o v
b
k
^
_
0, Q
b
_
est le terme de bruit de processus, ncessaire
pour que le ltre suive les changements de symbole.
Le modle qui estime lerreur de phase est donn aussi par le systme suivant :
_

k+1
=
k
+v

k
y
k
= sgn
_

b
k1
_
.f (c
k1
) .g (
k
) +n
k
(4.16)
On observe que cette fois on a fait le choix de modliser lestimation de la phase par un processus dordre
un. Les rsultats obtenus sur des signaux rels, qui seront prsents dans la prochaine section, nous conrment
que ce choix a t judicieux, ralisant un compromis entre les performances et le cot de calcul. De mme
on a le bruit de processus v

k
^
_
0, Q

_
qui cette fois va prendre en compte en plus des uctuations de la
phase, les erreurs dues la modlisation.
De faon similaire avec les modles prsents dans la section 4.3, g (.) dsigne la projection de la phase
estime sur les axes rel et imaginaire y
k
=
_
y
Re
k
, y
Im
k

T
:
g (
k
) =
_
cos (
k
) sin(
k
)
_
T
(4.17)
De mme le bruit dobservation additif n
k
=
_
n
1
k
, n
2
k

T
respecte une loi gaussienne n
k
^ (0, R), avec la
matrice de covariance R =

2
2
I
2
o
2
est la variance du bruit dobservation suppos prsent dans le canal. En
pratique le choix de la variance du bruit de processus ninuence pas de manire dcisive les performances,
tant quelle se trouve dans un intervalle assez large autour de la vraie valeur. De mme les tats
_
v
b
k
, v

k
, n
k
_
sont considrs indpendants avec tous les autres paramtres qui forment les modles.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 103
Modle trajets multiples
En utilisant la mme solution destimation que dans le cas mono-trajet, on propose une nouvelle structure
gnrale qui va prendre en compte plusieurs chos dus la propagation dans le canal.
A partir des exprimentations, on a remarqu que le retard ainsi que les dirences de phase entre les
trajets ont des variations limites ; Ainsi le modle gnral construit va avoir un tat de phase
k
corres-
pondant par exemple au trajet le plus nergtique, choisi comme rfrence, et plusieurs tats
_

i
k
_
i=1,...,M+1
seront introduits pour estimer la phase relative des trajets qui se situent aux carts temporels
i
T
c
.
Ainsi les modles de processus et dobservation qui donnent lestimation du symbole seront crits de la
manire suivante :
_

_
b
k+1
= b
k
+v
b
k
y
k
= b
k
.
_
G
0
k
f (c
k1
) .g
_

k1
_
+
+

M
i=1
G
i
k
f (c
kZi1
) .g
_

k1
+
i
k1
__
+n
k
(4.18)
o lensemble
_
G
i
k
_
i=1,...,M+1
dsigne les gains des trajets slectionns, calculs par corrlation au niveau
des DLL et o

k1
reprsente la dernire phase estime pour le trajet rfrence, normalement choisi le plus
nergtique, et
_

i
k1
_
i=1,...,M
sont les phases relatives estimes des autres chos slectionns.
Pour suivre tous les termes de phase, un deuxime ltre de Kalman est employ, dont le modle prend la
forme :
_

_
_

k+1

1
k+1
.
.
.

M
k+1
_

_
=
_

1
k
.
.
.

M
k
_

_
+v

k
y
k
= b
k
.
_
G
0
k
f (c
k1
) .g (
k
) +
+

M
i=1
G
i
k
f (c
kZi1
) .g
_

k
+
i
k
_
_
+n
k
(4.19)
o g (.) est la fonction de dcomposition vectorielle (4.17), et y
k
, n
k
tant ltat observ et le vecteur du
bruit :
y
k
=
_
y
Re
k
, y
Im
k

T
, n
k
=
_
n
1
k
, n
2
k

T
(4.20)
Les bruits sont de nouveau supposs gaussiens centrs et indpendants avec les autres paramtres qui
construisent le modle :
v
b
k
^
_
0, Q
b
_
, v

k
^
_
0, Q

_
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 104
Fig. 4.18 Structure du rcepteur RAKE utilis
Le modle particulier destimation de la phase considr ci-dessus suppose une variation trs petite des
phases relatives entre les chos. Ainsi la matrice de covariance de processus Q

sera constitue avec des valeurs


plus petites pour les lments lis aux erreurs de phase relatives. Le bruit dobservation n
k
^ (0, R) gardera
les mmes proprits que dans le cas mono-trajet.
Un problme important pos par ce modle est lvaluation, avant lapplication du ltrage lui-mme, des
gains G
i
k
et des retards relatifs
i
entre les trajets ; Pour le moment cette question est traite par des calculs
de corrlation, dune manire semblable celle utilise dans un rcepteur standard de type RAKE.
4.5 Rcepteur RAKE - MRC
En prsence de canaux slectifs en frquence, des traitements de type RAKE sont souvent mis en oeuvre.
Cette solution classique [PG56, Pro95] sera considre titre de comparaison.
Lemploi de pondrations au niveau des corrlations partielles ralises, sont spciques aux structures
RAKE-MRC (Maximum Ratio Combining). Ainsi chaque coecient de pondration complexe est calcul par
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 105
une mthode de retour de dcision. La rponse impulsionnelle estime est ensuite utilise pour la dtection
du prochain symbole, avec pour hypothse que le canal subit peu de modications sur la dure du symbole.
On a introduit aussi au niveau de chaque coecient de corrlation obtenu, une slection des trajets les
plus nergtiques pour limiter linuence du bruit ou des termes rsultant des proprits de corrlation
non-optimales de la squence dtalement.
Nous ne dtaillons pas plus limplmentation RAKE-MRC comme il sagit dune mthode trs connue et
largement utilise dans les applications de communication o la propagation se produit par trajets multiples
[Pro95, GL00].
4.6 Rsultats exprimentaux
Des essais la mer ont t raliss
1
dans la rade de Brest en juillet 2003 pour valuer les performances
des mthodes talement de spectre par squence chaotique. Les canaux acoustiques sous-marins rencontrs,
avec une profondeur allant de 20 m 40 m (eaux peu profondes) sont rputs diciles.
La structure du signal de test est donne dans la gure 4.19. Ainsi la premire partie est ralise par
un signal de type chirp, introduit pour une dtection de prsence, en coutant directement le signal en
rception. Ceci est possible pour des SNR positifs, comme la bande de transmission utilise se trouve dans
la gamme audible par loreille humaine. Juste aprs le chirp, huit symboles dacquisition sont introduits,
caractriss par un code priodique. Le choix a t dutiliser mme pour les symboles dacquisition une
squence chaotique gnre par la mme non-linarit que la squence dtalement associes aux symboles
informationnels. Les symboles dacquisition sont suivis par 200 symboles informationnels moduls BPSK,
avec une squence dtalement non-priodique de type Chebyshev, dordre deux.
Fig. 4.19 Structure du signal de test utilis
Pour la majorit des rponses impulsionnelles estimes on a observ la prsence dun nombre assez rduit
de trajets, allant dun seul trajet jusqu 3 chos susamment nergtiques pour raliser la dtection. Ce
critre de choix des trajets susamment nergtiques a t fait par exemple dans le cas du rcepteur RAKE,
avec un seuil de 3 dB relatif lcho le plus puissant.
1
Les moyens exprimentaux ont t fournis par le GESMA (Groupe dEtude Sous-Marines de lAtlantique, Brest)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 106
Pour illustrer le fonctionnement des mthodes proposes on a choisi 3 signaux avec les paramtres de
transmission donns par le tableau 4.1. Ainsi on a fait le choix de plusieurs signaux caractriss par un gain
dtalement de L = F
c
/F
b
= 63 avec des SNR estims en entre du rcepteur entre 8.7 dB et 2.3 dB. La
frquence chip varie aussi entre 2100 Hz et 4410 Hz.
Nr. Sig. F
e
[Hz] F
c
[Hz] F
p
[Hz] L Est. SNR NEB-1T NEB-2T NEB-RAKE
1 44100 2100 9800 63 2.3 dB 0 0 0
2 44100 4410 8820 63 -8.7 dB 0 0 1
3 44100 2940 9800 63 -4.6 dB 0 0 0
Table 4.1: Paramtres des signaux choisis
Dans lensemble des rsultats exprimentaux exposs ci-aprs seront considrs les trois rcepteurs sui-
vants : la variante RAKE-MRC ainsi que les implmentations mono-trajets et multi-trajets des rcepteurs
ltres de Kalman parallle (sans synchronisation chaotique). Les premiers rsultats obtenus (g. 4.20),
concernent la structure RAKE. En regardant ces gures on observe que les prcisions faites sur le nombre
des trajets se vries. De mme lnergie de ces trajets dire dun cas lautre, ce qui signie une modica-
tion importante au niveau de la structure du canal de propagation. Etant donn le nombre limit de trajets
nergtiques dans le canal, nous nous limiterons deux trajets dans la mise en oeuvre du rcepteur ltre
de Kalman parallle gnralis.
Pour les implmentations des rcepteurs ltres de Kalman plusieurs critres de comparaison seront utili-
ss. Ainsi dans le premier groupe de gures 4.21 on prsente ltat symbole estim, avec la reprsentation des
20 derniers symboles estims, an davoir un aperu du fonctionnement de la mthode de ltrage en gnral.
La slection des derniers symboles nous assure aussi que les ventuels problmes de transition prsents par le
mcanisme de ltrage seront passs. On observe des dirences importantes pour les deux implmentations :
si dans le cas du premier signal, caractris par un seul trajet trs nergtique, la mthode un seul trajet a
un meilleur comportement, la situation sinverse dans le cas du signal no. 2. La prsence dun cho presque
la mme nergie que le trajet le plus puissant, va donner cette fois lavantage la structure bi-trajet, mme
avec le cas dun SNR dicile (SNR estim = - 8.7 dB). Le troisime signal ne prsente pas un avantage
dcisif pour une des deux mthodes prsentes.
La relation dordre sur lnergie des trajets est conrme par les gures 4.22 o le contrle de gain est
illustr. Ainsi dans la gure b) une distinction importante sobserve qui disparat totalement dans la gure d).
On peut observer une dirence signicative entre les variations du gain associes chaque implmentation.
Ceci se justie tant donn que la solution deux trajets passe de lapproche statistique, considre pour la
propagation dun seul trajet, une approche de type corrlateur employe pour lestimation du gain de chaque
chos considr. Gnralement, comme il a dj t prcis dans la section prcdente, le fonctionnement de
la mthode statistique est meilleur tant moins inuenc par le bruit de type impulsionnel. Cette observation
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 107
10 20 30 40 50 60
20
40
60
80
100
120
140
160
180
200
Retard [Tc]
N
o
.

S
y
m
b
o
l
e
s
Rponse impulsionnelle estime
10 20 30 40 50 60
20
40
60
80
100
120
140
160
180
200
Retard [Tc]
N
o
.

S
y
m
b
o
l
e
s
Rponse impulsionnelle estime (trajets slectionns)
a) b)
10 20 30 40 50 60
20
40
60
80
100
120
140
160
180
200
Retard [Tc]
N
o
.

S
y
m
b
o
l
e
s
Rponse impulsionnelle estime
10 20 30 40 50 60
20
40
60
80
100
120
140
160
180
200
Retard [Tc]
N
o
.

S
y
m
b
o
l
e
s
Rponse impulsionnelle estime (trajets slectionns)
c) d)
10 20 30 40 50 60
20
40
60
80
100
120
140
160
180
200
Retard [Tc]
N
o
.

S
y
m
b
o
l
e
s
Rponse impulsionnelle estime
10 20 30 40 50 60
20
40
60
80
100
120
140
160
180
200
Retard [Tc]
N
o
.

S
y
m
b
o
l
e
s
Rponse impulsionnelle estime (trajets slectionns)
e) f)
Fig. 4.20 Rponse impulsionnelle estime (en valeur absolue) par le rcepteur RAKE-MRC gauche et la
variante avec la slection de trajets droite pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c
et d) ; signal 3 (gs. e et f)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 108
1.14 1.16 1.18 1.2 1.22 1.24 1.26
x 10
4
1.5
1
0.5
0
0.5
1
1.5
Temps (Chip)
S
y
m
b
o
l
e

e
s
t
i
m

Estimation du symbole informationnel


Symbole estim
Symbole inf.
1.14 1.16 1.18 1.2 1.22 1.24 1.26
x 10
4
1.5
1
0.5
0
0.5
1
1.5
Temps (Chip)
S
y
m
b
o
le

e
s
t
im


(
r
a
d
.
)
Estimation du symbole informationnel
Symbole estim
Symbole inf.
a) b)
1.14 1.16 1.18 1.2 1.22 1.24 1.26
x 10
4
1.5
1
0.5
0
0.5
1
1.5
Temps (Chip)
S
y
m
b
o
l
e

e
s
t
i
m

Estimation du symbole informationnel


Symbole estim
Symbole inf.
1.14 1.16 1.18 1.2 1.22 1.24 1.26
x 10
4
1.5
1
0.5
0
0.5
1
1.5
Temps (Chip)
S
y
m
b
o
le

e
s
t
im


(
r
a
d
.
)
Estimation du symbole informationnel
Symbole estim
Symbole inf.
c) d)
1.14 1.16 1.18 1.2 1.22 1.24 1.26
x 10
4
1.5
1
0.5
0
0.5
1
1.5
Temps (Chip)
S
y
m
b
o
l
e

e
s
t
i
m

Estimation du symbole informationnel


Symbole estim
Symbole inf.
1.14 1.16 1.18 1.2 1.22 1.24 1.26
x 10
4
1.5
1
0.5
0
0.5
1
1.5
Temps (Chip)
S
y
m
b
o
le

e
s
t
im


(
r
a
d
.
)
Estimation du symbole informationnel
Symbole estim
Symbole inf.
e) f)
Fig. 4.21 Etat symbole estim par les variantes de rcepteurs un trajet ( gauche) et deux trajets (
droite) pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs. e et f)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 109
peut se faire directement sur lensemble des courbes, observant une variation plus lisse dans le cas mono-trajet.
Concernant le problme de lestimation de phase, lexception de courtes priodes transitoires, on obtient
gnralement pour les deux implmentations la mme caractristique dcroissante (gures 4.23).
Pour le modle deux trajets on peut observer dans les gures 4.24, un lger accroissement de la phase re-
lative qui a tendance se stabiliser asymptotiquement. On associe ce comportement la priode de transition
du ltre, ncessaire pour converger vers la vraie valeur. Dailleurs la rsolution du problme de paramtrage
du ltre estimation de phase prsente une dicult. Celle-ci rside surtout dans le choix de la covariance
de bruit pour lestimation de phase du trajet le plus nergtique. Une variance trop importante conduit dans
certains cas une divergence du ltre, en revanche une variance trop petite limite ladaptabilit du ltre.
Dans ce but on donne dans le tableau 4.1 les covariances utilises pour les trois signaux choisis.
Signal 1 2 3
Q

_
5e 4 0
0 1e 5
_ _
5e 3 0
0 1e 5
_ _
5e 4 0
0 1e 5
_
Tab. 4.2 Paramtrage du modle destimation de la phase
Un dernier critre danalyse prsent dans ce chapitre est la rponse de la boucle verrouillage de retard.
Ces valuations tant indpendantes du modle choisi, un ou bien deux trajets, on observe dans les gures
4.25 la similarit prsente par celles-ci, ainsi le retard du trajet estim pour le modle un trajet correspond
exactement au trajet le plus nergtique dans le cas du modle deux trajets. On ajoute cette conclusion
les deux observations suivantes :
la premire remarque concerne le diagramme du retard de code qui a en gnral une caractristique
assez plate, signiant ainsi quil nexiste pas de drive persistante entre les frquences dchantillonnage
lmission et en rception ;
une deuxime observation est faite sur la distance relative entre les deux trajets considrs qui reste
presque constante pour toute la gamme des signaux prsente, ainsi on peut conclure que le canal est
caractris par une rponse impulsionnelle presque constante en ce qui concerne la position des trajets
principaux.
Une dernire conclusion est faite sur le critre de nombre derreurs (NEB - nombre derreurs binaire)
au niveau de la dmodulation. On a choisi de donner plutt dans le tableau 4.1 le nombre derreurs plutt
que le taux derreur binaire, compte tenu du nombre rduit de symboles transmis. Ainsi on observe que
les rcepteurs proposs arrivent atteindre de bonnes performances. En particulier, pour le signal no. 2 le
ltrage Kalman parallle permet dobtenir le plus faible taux derreur.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 110
0 20 40 60 80 100 120 140 160 180 200
0
5
10
15
20
25
30
Temps (Symboles)
G
a
i
n

e
s
t
i
m

Contrle du gain automatique


0 20 40 60 80 100 120 140 160 180 200
0
0.02
0.04
0.06
0.08
0.1
0.12
Temps (Symboles)
G
a
i
n

e
s
t
i
m

Contrle du gain automatique


1
er
trajet
2
me
trajet
a) b)
0 20 40 60 80 100 120 140 160 180 200
0
5
10
15
20
Temps (Symboles)
G
a
i
n

e
s
t
i
m

Contrle du gain automatique


0 20 40 60 80 100 120 140 160 180 200
0
0.01
0.02
0.03
0.04
0.05
0.06
Temps (Symboles)
G
a
i
n

e
s
t
i
m

Contrle du gain automatique


1
er
trajet
2
me
trajet
c) d)
0 20 40 60 80 100 120 140 160 180 200
0
1
2
3
4
5
6
7
8
Temps (Symboles)
G
a
i
n

e
s
t
i
m

Contrle du gain automatique


0 20 40 60 80 100 120 140 160 180 200
0
0.05
0.1
0.15
0.2
0.25
Temps (Symboles)
G
a
i
n

e
s
t
i
m

Contrle du gain automatique


1
er
trajet
2
me
trajet
e) f)
Fig. 4.22 Gains estims par les variantes de rcepteurs un trajet ( gauche) et deux trajets ( droite)
pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs. e et f)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 111
0 2000 4000 6000 8000 10000 12000
6
5
4
3
2
1
0
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
Estimation de la phase
0 2000 4000 6000 8000 10000 12000
8
7
6
5
4
3
2
1
0
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
Estimation de la phase
1
er
trajet
2
me
trajet
a) b)
0 2000 4000 6000 8000 10000 12000
12
10
8
6
4
2
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
Estimation de la phase
0 2000 4000 6000 8000 10000 12000
7
6
5
4
3
2
1
0
1
2
3
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
Estimation de la phase
1
er
trajet
2
me
trajet
c) d)
0 2000 4000 6000 8000 10000 12000
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
Estimation de la phase
0 2000 4000 6000 8000 10000 12000
7
6
5
4
3
2
1
0
1
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
Estimation de la phase
1
er
trajet
2
me
trajet
e) f)
Fig. 4.23 Phases estimes par les variantes de rcepteurs un trajet ( gauche) et deux trajets ( droite)
pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs. e et f)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 112
0 2000 4000 6000 8000 10000 12000
2.8
2.7
2.6
2.5
2.4
2.3
2.2
2.1
2
1.9
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
2
me
trajet cart relatif de phase
0 2000 4000 6000 8000 10000 12000
1.2
1
0.8
0.6
0.4
0.2
0
0.2
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
2
me
trajet cart relatif de phase
a) b)
0 2000 4000 6000 8000 10000 12000
6.5
6
5.5
5
4.5
4
3.5
Temps [Tc]
P
h
a
s
e

(
r
a
d
.
)
2
me
trajet cart relatif de phase
c)
Fig. 4.24 Phase relative estime pour : le signal 1 - (a) ; le signal 2 - (b) ; le signal 3 - (c)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 113
0 20 40 60 80 100 120 140 160 180 200
60
40
20
0
20
40
60
No. symboles
R
e
t
a
r
d

(
N
o
.

e
c
h
.
)
,

T
c
h
i
p
=
2
1

e
c
h
.
Poursuite du code
0 20 40 60 80 100 120 140 160 180 200
80
60
40
20
0
20
40
No. symboles
R
e
t
a
r
d

(
N
o
.

e
c
h
.
)
,

T
c
h
i
p
=
2
1

e
c
h
.
Poursuite du code
1
er
trajet
2
me
trajet
a) b)
0 20 40 60 80 100 120 140 160 180 200
30
20
10
0
10
20
30
No. symboles
R
e
t
a
r
d

(
N
o
.

e
c
h
.
)
,

T
c
h
i
p
=
1
0

e
c
h
.
Poursuite du code
0 20 40 60 80 100 120 140 160 180 200
50
40
30
20
10
0
10
20
No. symboles
R
e
t
a
r
d

(
N
o
.

e
c
h
.
)
,

T
c
h
i
p
=
1
0

e
c
h
.
Poursuite du code
1
er
trajet
2
me
trajet
c) d)
0 20 40 60 80 100 120 140 160 180 200
40
30
20
10
0
10
20
30
40
No. symboles
R
e
t
a
r
d

(
N
o
.

e
c
h
.
)
,

T
c
h
i
p
=
1
5

e
c
h
.
Poursuite du code
0 20 40 60 80 100 120 140 160 180 200
80
60
40
20
0
20
No. symboles
R
e
t
a
r
d

(
N
o
.

e
c
h
.
)
,

T
c
h
i
p
=
1
5

e
c
h
.
Poursuite du code
1
er
trajet
2
me
trajet
e) f)
Fig. 4.25 Retards de code estims par les variantes de rcepteurs un trajet ( gauche) et deux trajets
( droite) pour dirents signaux : signal 1 (gs. a et b) ; signal 2 (gs. c et d) ; signal 3 (gs. e et f)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 4. RCEPTEURS COMPLETS TALEMENT DE SPECTRE PAR SQUENCE CHAOTIQUE DIRECTE 114
4.7 Conclusion
Ce chapitre a considr le problme gnral de la ralisation dune structure de rcepteur adapte un
systme de transmission talement du spectre, de type squence chaotique directe. Ainsi dans le schma
du systme, on est parti sur une structure classique dmetteur remplaant la squence dtalement binaire
par une squence chaotique valeurs relles dans un intervalle bien prcis. Pour les variantes de rcepteurs
proposes on a considr deux familles :
rcepteurs synchronisation chaotique, o le mcanisme de synchronisation est intrinsque la struc-
ture dploye. Dans ce cas le rcepteur connait juste la dynamique non-linaire de la squence dta-
lement ; La squence originale dtalement est alors reconstruite et simultanment le symbole informa-
tionnel est estim. Une telle mthode est trs sensible la caractristique de transmission de lensemble
metteur-canal-rcepteur ; Des mthodes appropries de contrle de gain et de correction de la phase
rsiduelle ont t dveloppes. Finalement des simulations ont t ralises pour valuer ces nouvelles
mthodes dans diverses congurations (C/S, C/S/P).
rcepteurs synchronisation de squence classique : cette fois la synchronisation est obtenue en suivant
les tapes normales dacquisition et de poursuite. Lapplication au canal acoustique sous-marin, rput
dicile, nous a oblig considrer cette voie alternative. Ainsi on propose plusieurs structures, en
dbutant avec un rcepteur classique de type RAKE-MRC, suivi de deux autres variantes bases sur
des mthodes ltrage de Kalman pour lestimation du symbole et de lventuelle erreur de phase. Ces
trois mthodes ont t testes sur trois signaux acoustiques caractriss par dirents niveaux de SNR,
et de forme de rponse impulsionnelle.
En conclusion on peut dire que les mthodes prsentes dans ce chapitre largissent la gamme de solutions
au problme de la dmodulation pour un systme talement de spectre par squence chaotique. Ainsi on
peut choisir en fonction de lapplication entre une solution simple au niveau de la structure de rception mais
avec des performances limites et dautres variantes plus robustes qui supposent par contre une complexit
suprieure.
Le chapitre prochain sera destin une autre structure de rcepteur qui va utiliser cette fois un modle
de ltrage Kalman linaire pour maximiser lnergie disponible la dmodulation du signal informationnel.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Chapitre 5
Estimation de canal par ltrage Kalman
linaire
5.1 Introduction
Le problme destimation du canal reste une tape trs importante surtout en prsence de forte interfrence
inter-symbole et/ou de nonstationarit. Dans la littrature plusieurs solutions ont t proposes, dont les plus
performantes utilisent des algorithmes adaptatifs (LMS, RLS) associs des structures retour de dcision.
Il a dj t prouv [FSSJ01] quune solution base sur un systme talement de spectre par squence
directe, avec un ou plusieurs chos considrs [ALBS05], peut orir des performances intressantes en termes
de taux derreurs binaires (TEB) et scurit de la transmission.
Notre objectif tant dtudier lestimation du canal pour des systmes de communications sous-marines,
les solutions dveloppes dans ce chapitre pourront engendrer un cot de calcul plus important, avec en
particulier un traitement frquence chip. Nous verrons que le problme destimation des coecients du
canal peut tre reprsent sous la forme dun modle linaire, qui permet une implmentation directe par
une structure de ltrage de Kalman linaire. Quelques articles rcents [TY00, KFSW02, LMG02, TSS05]
proposent la structure de rcepteur de type Kalman, dans le cas des canaux trajets multiples, comme un
outil important pour augmenter les performances en TEB et du nombre dutilisateurs. Dans notre cas, nous
allons ajouter la structure de ltrage Kalman une mthode de suppression des termes dinterfrence, dans
lobjectif de rduire le cot de calcul global. En fait, ceci permet la reprsentation de lalgorithme matriciel
original sous une forme simplie vectorielle, avec mme la possibilit dobtenir une solution scalaire.
Deux cas seront traits, le premier va considrer que le systme emploie une squence dtalement courte,
caractrise par des proprits de corrlation priodiques. Ainsi on va prouver que le modle dobservation
115
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 116
peut alors tre crit en fonction de la matrice dauto-corrlation qui a dans ce cas quelques proprits de
symtrie. Une autre consquence de cette priodicit est que le modle peut tre considr constant tout
moment, avec lvaluation de la matrice dauto-corrlation avant la mise en marche du systme. La mthode
permet de calculer galement la rponse du canal une frquence plus importante que la frquence chip, ce
qui peut prsenter de lintrt dans des scnarios faible SNR, caractriss par des trajets multiples.
La deuxime mthode va traiter le cas des squences dtalement longues, considres non-priodiques
pour toute la dure de la transmission. Le modle dynamique, de structure similaire au cas prcdent, va
alors voluer au cours de temps ; La matrice dauto-corrlation devant tre recalcule, un cot de calcul plus
important, sera ncessaire. Nous proposons alors quelques mthodes de simplication pour le calcul de la
matrice dauto-corrlation, avec une inuence limite sur les performances globales. A lexception de ce calcul,
lalgorithme est implment avec le mme procd dannulation dinterfrences que celui utilis dans le cas
priodique. Quelques simplications supplmentaires nous permettent dcrire une solution asymptotique.
Finalement, pour raliser la dmodulation, une solution retour de dcision avec une hypothse a priori
sur le symbole courant est propose. Il a dj t prouv [SF00] quune telle mthode surpasse quelques
structures conventionnelles avec un traitement frquence chip. De cette faon nous transfrons lincertitude
de symbole dans une structure multi-branche avec une prise de dcision par rapport un critre derreur
minimale parmi les hypothses faites. Un problme prsent par cette solution concerne le nombre de branches
ncessaires, croissant avec lordre de modulation utilis.
Les schmas proposs sont ensuite tests en conditions de simulation ainsi que sur des signaux rels obtenus
sur des canaux acoustiques sous-marins. Nous montrerons, laide de ces expriences, que les performances
en termes de TEB et destimation de canal sont amliores par rapport dautres systmes.
Ces travaux nont pour linstant t valids, que par le biais de signaux exprimentaux ou par simulations
numriques ; Il reste examiner plus en profondeur les performances des mthodes proposes.
5.2 Systme talement de spectre DS-SS squence courte
Comme on a dj mentionn dans lintroduction, ce premier cas suppose un code priodique lentre
du rcepteur. On trouve souvent cette situation dans le cas des signaux dacquisition.
5.2.1 Modle linaire associ lestimation rcursive du canal
Ainsi le signal complexe dacquisition, en bande de base, pour un systme talement de spectre par
squence directe est donn par la relation suivante :
r (t) =
L1

l=0
c (l) h(t lT
c
) +n(t) (5.1)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 117
o c (l) reprsente les chips qui forment la squence dtalement priodique de longueur L, h(t) est la
rponse impulsionnelle du canal incluant leet des ltres de transmission/rception, T
c
est la dure chip
et n(t) dsigne le bruit additif suppos dans le canal. Le modle du signal est celui dun systme mono-
utilisateur, le terme de signal dacquisition tant utilis pour dsigner quaucune information nest associe
pour linstant. On suppose en plus que la longueur du code dtalement est suprieure ltalement temporel
T
m
du canal (LT
c
> T
m
). Cette condition nous garantit que du cot du rcepteur une quantit maximale
dnergie sera disponible.
Le signal donn par lquation (5.1) est chantillonn une frquence p/T
c
plus importante que la fr-
quence Nyquist, en considrant que la bande du signal est limite 1/T
c
:
r (k) =
pL1

l=0
h(l) c (k l) +n(k) (5.2)
Il faut mentionner que dans lquation ci-dessus prsente h et c dsignent les versions sur-chantillones
des leurs corrspondants introduits dans (5.1).
Si pour un k x, on ralise la corrlation entre le signal reu chantillonn et des versions retardes du
code dtalement sur la priode du code pL, on obtient :
z
j
k
=
pL1

i=0
c

k
(i j) r (k +i)
=
pL1

i=0
c

k
(i j)
_
pL1

l=0
h(l) c
k
(k +i l) +n(k +i)
_
=
pL1

l=0
h(l)
pL1

i=0
c

k
(i j) c
k
(k +i l) +
pL1

i=0
c

(i j) n(k +i)
=
pL1

l=0
h(l)
cc
(k +j l) +n
j
k
(5.3)
o
cc
() reprsente lauto-corrlation de la squence dtalement sur-chantillonne et n
j
k
dsigne le bruit
rsiduel obtenu aprs la corrlation. Compte tenu de la priodicit de la squence dtalement, le vecteur

cc
() contenant les valeurs dauto-corrlation sur lintervalle discret 0, ..., pL 1 est priodique.
Dans lobjectif dallger la notation lindice initial sera considr nul dans la relation (5.3), et par la suite
on crira sous forme matricielle le vecteur dobservation z
k
:
z
k
=
_
z
0
k
, z
1
k
, ..., z
pL1
k
_
T
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 118
=
cc
h +n
k
(5.4)
o h = [h(0) , h(1) , ..., h(pL 1)]
T
est le vecteur de rponse impulsionnelle du canal, n
k
=
_
n
0
k
, n
1
k
, ..., n
pL1
k
_
T
est le vecteur des bruits rsiduels obtenus aprs la corrlation et
cc
est la matrice Toeplitz dauto-correlation
associe au code dtalement :

cc
=
_

cc
(0)
cc
(1) ...
cc
(pL 1)

cc
(1)
cc
(0) ...
cc
(pL 2)
... ... ...

cc
(pL 1)
cc
(pL 2) ...
cc
(0)
_

_
(5.5)
Si on considre un modle AR dordre un pour caractriser lvolution des coecients du canal, on obtient
un modle gnral qui peut tre crit sous la forme de lquation de processus suivante :
h
k+1
= h
k
+v
k
(5.6)
En compltant cette quation de processus gnrale avec les observations donnes par la relation (5.4),
on obtient un modle complet pour lvolution des coecients du canal de linstant k linstant k +1, o v
k
est un bruit de processus gaussien circulaire qui va compenser ventuellement toute erreur de modlisation.
Lestimateur optimal rcursif au sens de la minimisation de lEQM, pour un modle linaire quelconque,
avec la supposition de gaussianit des bruits de processus et dobservation, est le ltre de Kalman. En dpit
du cot de calcul lev, cette approche est intressante car elle permet dtablir une borne de performances
pour les algorithmes dvelopps par la suite.
Pour expliciter les relations qui interviennent dans une structure de ltrage de type Kalman on considre
ainsi le modle gnral suivant :
_

_
h
k+1
= h
k
+v
k
z
k
=
cc
h
k
+n
k
(5.7)
A partir de ce modle on peut dvelopper par la suite les quations caractristiques pour les deux tapes
de ltrage :
tape de mise jour temporelle

k+1
=

h
k
P

k+1
= P
k
+Q (5.8)
tape de mise jour par des observations
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 119
K
k+1
= P

k+1

T
cc
_

cc
P

k+1

T
cc
+R
_
1

h
k+1
=

h

k+1
+K
k+1
_
z
k

cc

k+1
_
P
k+1
= (I
pL
K
k+1

cc
) P

k+1
(5.9)
En ce qui concerne les termes dinterfrence entre les dirents trajets obtenus aprs corrlation, le modle
de ltrage considr les estime implicitement par lintermdiaire du modle de la matrice dauto-corrlation.
On observe que pour les relations (5.8) et (5.9), le cot de calcul le plus important correspond lexpression
du gain de Kalman K
k
, qui ncessite linversion de la matrice
_

cc
P

T
cc
+R
_
; Pour une seule tape, le
cot de calcul de lalgorithme est de lordre de (pL)
2
.
5.2.2 Suppression des termes dinterfrence
Quelques articles rcents proposent la mthode de suppression de termes dinterfrence, pour le cas dune
propagation trajets multiples, comme un outil important pour augmenter les performances de systmes
en TEB et nombre dutilisateurs [GRL99, MS03, KPIL02]. Dans notre cas nous utiliserons ce principe avec
pour objectif principal de rduire le cot de calcul global du processus de ltrage.
Ainsi on suppose linstant k que le vecteur de coecients du canal

h
k
suit de prs la vraie rponse
impulsionnelle, en considrant la matrice :
Z = (1
pL
I
pL
)
cc
(5.10)
On peut dduire du vecteur dobservation linterfrence due aux autres coecients de canal et ainsi obtenir
un nouveau vecteur dobservation :
z
i
k
= z
k
Z

h
k
(5.11)
Cette relation permet de modier le modle (5.7), sous la forme suivante :
_

_
h
k+1
= h
k
+v
k
z
i
k
= Wh
k
+n
k
(5.12)
o W =
cc
(0) est un scalaire qui reprsente lnergie de la squence dtalement (nergie symbole).
Avec cette hypothse le modle destimation rcursif devient :
tape de mise jour temporelle

k+1
=

h
k
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 120
P

k+1
= P
k
+Q (5.13)
tape de mise jour par des observations
K
k+1
= P

k+1
W
_
W
2
P

k+1
+R
_
1

h
k+1
=

h

k+1
+K
k+1
_
z
i
k+1
W

k+1
_
P
k+1
= (I
pL
K
k+1
W) P

k+1
(5.14)
On considre les bruits dobservation et de processus non-corrls entre-eux et avec les tats. Ainsi les
matrices Q et R sont diagonales avec la mme valeur sur la diagonale, car aucune connaissance sur les
termes ne nous permet de pondrer diremment ces valeurs pour chaque coecient. Si on initialise aussi
la matrice de covariance des erreurs sous forme diagonale, sans connaissance a priori sur la statistique des
termes derreur alors le mme coecient peut tre considr le long de la diagonale. En utilisant le mme
principe, par la suite on peut dire que la covariance prdite et le gain Kalman sont sous forme diagonale avec
des lments gaux sur la diagonale. Ainsi limplmentation rcursive du ltre de Kalman pour ltape de
mise jour par des observations devient :
K
k+1
= WP

k+1
_
W
2
P

k+1
+R
_
1

h
k+1
=

h

k+1
+K
k+1
_
z
i
k+1
W

k+1
_
P
k+1
= (1 WK
k+1
) P

k+1
(5.15)
Les quations donnes par (5.14) ont simplies lalgorithme, transformant la solution matricielle en forme
scalaire pour lexpression du gain de Kalman et de la covariance des erreurs.
5.2.3 Solution asymptotique
A partir de la thorie du ltrage de Kalman et avec lhypothse de modle invariant en temps et linaire,
on peut calculer une solution asymptotique associe au modle de ltrage dvelopp [BSL93].
Ainsi pour toute matrice de covariance des erreurs prdite initiale P

0
, on a lim
k
P

k
= P

o :
P

= P

_
I
T
cc
_

cc
P

T
cc
+R
_
1

cc
P

_
+Q (5.16)
Le gain Kalman K
k
va de mme converger vers une matrice invariante K

qui en utilisant lquation


(5.13) peut tre obtenue sous la forme suivante :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 121
K

= P

T
cc
_

cc
P

T
cc
+ R
_
1
(5.17)
Dans le cas du modle simpli (5.12), la relation (5.16) peut tre rsolue comme une forme quadratique
en fonction de P

:
P

=
1
2
_
Q
_
Q
2
+
4QR
W
2
_
(5.18)
En slectionnant la solution positive on obtient la valeur du gain asymptotique et on peut crire lalgo-
rithme dans sa forme la plus simple comme lquation rcursive suivante :

h
k+1
=

h
k
+K

_
z
i
k
W

h
k
_
(5.19)
o
K

= WP

_
W
2
P

+R
_
1
(5.20)
Dans la section destine aux rsultats numriques on va comparer le fonctionnement de cette solution
asymptotique avec les autres variantes destimateurs que nous dvelopperons.
5.2.4 Introduction dune tape de troncature
Dans le cas des algorithmes rcursifs une approche frquemment utilise est de supprimer les coecients
qui ventuellement peuvent introduire des erreurs dans le processus destimation. La solution immdiate qui
se prsente est de rejeter lensemble des coecients de faibles valeurs par seuillage.
De faon gnrale une telle approche nest pas utilise dans le cas de lalgorithme de Kalman, mais dans
notre contexte on va dmontrer laide de simulations numriques que le gain en performance apport nest
pas ngligeable. Qualitativement on peut noncer aussi que pour le modle simpli (5.12) la troncature a
un rle trs inuent, car tout trajet faux pris en compte va introduire par la suite dimportantes erreurs dans
le processus destimation.
Lemploi de ltape de troncature va se faire en utilisant la fonction non-linaire suivante :
h
k
=
_

h
k
(l) ,

h
k
(l)

h
max
0,

h
k
(l)

<
T

h
max
, l 0, ..., pL 1 (5.21)
o

h
max
= max
l0,...,pL1]

h
k
(l)

, et 0
T
< 1.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 122
10 20 30 40 50 60
0
0.2
0.4
0.6
0.8
1
Retard [Tc]
Rponse impulsionnelle du canal
A
m
p
l
i
t
u
d
e
s

d
e
s

t
r
a
j
e
t
s
Fig. 5.1 Rponse impulsionnelle du canal considr
5.2.5 Rsultats numriques
Pour valuer les proprits de convergence des mthodes proposes auparavant on a considr lexemple
dun canal invariant en temps caractris par trois trajets ; la rponse impulsionnelle correspondante est
donne dans la gure 5.1. Lensemble de simulations est ralis avec un gain dtalement L = 63 et en
prsence dun bruit blanc gaussien dont la variance est calcule pour avoir un SNR de 5dB lentre de
lestimateur.
Linuence de ltape de troncature va tre vrie en utilisant cinq variantes destimateur, correspondant
aux valeurs (exprim en dB) du coecient de troncature
T
= 40dB, 30dB, 20dB, 10dB et au cas
o tous les trajets sont slectionns. Les simulations ont t eectues pour la forme gnrale de lalgorithme
donne par les quations (5.7) - (5.9).
Dans la gure 5.2 b) nous avons calcul lerreur destimation avec lhypothse que seuls les trajets les
plus nergtiques, par rapport un seuil de 3 dB sous le trajet le plus puissant, sont pris en compte pour
une dmodulation ventuelle.
A partir des gures 5.2 a) et b) on observe que dans le cas o ltape de troncature nest pas prsente,
la convergence du ltre est moins bonne et lerreur destimation rsiduelle reste importante mme si on
applique une slection des trajets les plus nergtiques (un seuil de 3dB). Lintroduction dun coecient de
troncature, mme de petite valeur, va avoir un impact visible sur la convergence de lalgorithme en vitesse et
erreur. Ainsi les gures 5.2 a) et b) nous conrment que pour une valeur
T
de 40dB on obtient de bonnes
performances sur cet exemple, et par la suite ce choix sera fait pour toutes les implmentations discutes dans
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 123
0 1000 2000 3000 4000 5000 6000
0
1
2
3
4
5
6
7
8
Temps [Tc]
|
|
h
k

h
|
|
Erreur destimation du canal Modle complet

T
= 40 dB

T
= 30 dB

T
= 20 dB

T
= 10 dB
Sans trunc
0 1000 2000 3000 4000 5000 6000
0
1
2
3
4
5
6
7
8
Time [Tc]
|
|
h
k
,

3
d
B


h
|
|
Erreur destimation du canal Modle complet | 3dB slection

T
= 40 dB

T
= 30 dB

T
= 20 dB

T
= 10 dB
No trunc
a) b)
Fig. 5.2 Erreur destimation du canal pour direntes valeurs de
T
: a) sans slection, b) une slection
des trajets les plus nergtiques est ralise
le reste de ce chapitre. Pour une valeur plus importante de
T
, pendant les premires tapes destimation,
en situation de bruit important dans le canal ou de canaux non-stationnaires, le systme peut perdre des
trajets importants.
Mentionnons que le choix du coecient de troncature est aussi trs dpendant des covariances des bruits
de processus et dobservation, qui vont quantier le dgr dvolution de la dynamique ; Il faut prendre garde
ce que lapparition dun trajet assez nergtique ne soit pas empche par ltape de troncature.
Dans la gure 5.3, les coecients du canal estims sont illustrs dans le cas de lalgorithme gnral (eq.
5.12 - 5.14), avec le paramtrage prsent ci-dessus.
Pour tester par la suite les performances des direntes mthodes destimation de canal, on a employ
une srie de simulations Monte Carlo ; ainsi on a lanc 20 simulations successives pour le canal de la gure
5.1 avec un rapport SNR de 5dB et un seuil de troncature
T
valant 40dB. Les rsultats sont prsents
dans les gures 5.4 a) et b).
A partir de ces gures on peut faire plusieurs interprtations. La premire concerne la convergence rapide
de la solution asymptotique par rapport celle qui utilise juste la suppression des termes dinterfrence et
mme par rapport la mthode du modle complet. Mais en dpit de cette caractristique la gure 5.4 a)
nous montre aussi que le modle complet arrive rattraper la courbe associe la solution asymptotique.
Dans la gure 5.4 b), o pour le calcul de lerreur une slection des trajets les plus nergtiques est ralise,
on observe une convergence trs rapide de la mthode de suppression des termes dinterfrence mais qui est
nalement devance par les solutions de modle complet et asymptotique.
Finalement on peut conclure que la solution de suppression des termes dinterfrence ore un assez bon
compromis entre la convergence et les performances asymptotiques si on emploie conjointement une slection
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 124
Temps [Tc]
|
h
k
|
Rponse impulsionnelle estime SNR = 5 dB
1000 2000 3000 4000 5000 6000
10
20
30
40
50
60
Fig. 5.3 Rponse impulsionnelle du canal estime
0 1000 2000 3000 4000 5000 6000
0
1
2
3
4
5
6
7
8
Temps [Tc]
|
|
h
k


h
|
|
Erreur destimation du canal
Modle complet
Suppr. termes interf.
Sol. asympt. + STI
0 1000 2000 3000 4000 5000 6000
0
1
2
3
4
5
6
7
8
Time [Tc]
|
|
h
k
,

3
d
B


h
|
|
Erreur destimation du canal | 3dB slection
Modle complet
Suppr. termes interf.
Sol. asympt. + STI
a) b)
Fig. 5.4 Erreur destimation du canal pour direntes variantes destimateurs (simulation MC) : a) sans
slection, b) une slection des trajets les plus nergtiques est ralise
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 125
des trajets les plus nergtiques. La solution asymptotique ore le cot de calcul le plus rduit mais dans le
cas des systmes de communications rels, sa mise en oeuvre savre dlicate.
Ainsi comme lapplication aux canaux acoustiques sous-marins est lun de nos objetifs, la solution
suppression des termes dinterfrence est favorise. Ce type de canal est caractris par une assez forte
instabilit et par une connaissance approximative des paramtres de bruit lentre du rcepteur, la solution
suppression des termes dinterfrence est favorise. Ce choix est valid aussi par le fait quen condition
dinstabilit du canal, la convergence par rapport aux trajets nergtiques est un paramtre prpondrant
prendre en compte.
5.3 Systme talement de spectre DS-SS squence longue
5.3.1 Modle associ
Dans le cas de squences dtalement non-priodiques la fonction dauto-corrlation perd son caractre
priodique. Comme nous procderons lestimation du canal frquence chip, il faudra considrer les ven-
tuels changements de phase introduits par linformation ; Dans ce cas le signal reu chantillonn prend la
forme suivante :
r (k) =
pL1

l=0
h(l) d
_
k l
pL
_
c (k l) +n(k) (5.22)
o d
_

pL
_
reprsente le symbole informationnel et o c () dsigne la squence dtalement non-priodique.
De mme que dans le cas priodique on considre un indice initial nul (le premier trajet dtect du premier
symbole est obtenu pour k = 0 et l = 0).
Dans le prochain paragraphe, nous prsenterons la procdure de prise de dcision ; Pour construire tout
dabord le modle rcursif destimation du canal nous considrons les symboles informationnel connus, et on
dnit la squence dtalement non-priodique comme suit :
s (k) = d
_
k
pL
_
c (k) (5.23)
En utilisant la mme ide que dans le cas priodique, on ralise des corrlations entre le signal reu,
donn par lquation (5.22) et des versions retardes de la squence dtalement considre s (), pour obtenir
lobservation :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 126
Fig. 5.5 Calcul de la matrice dauto-corrlation pour une squence non-priodique porteuse dinformation
z
j
k
=
pL1

i=0
s (k +i j) r (k +i)
=
pL1

i=0
s

(k +i j)
_
pL1

l=0
h(l) s (k +i l) +w(k +i)
_
=
pL1

l=0
h(l)
pL1

i=0
s

(k +i j) s (k +i l) +
pL1

i=0
s

(k +i j) w(k +i)
=
pL1

l=0
h(l)
ss
(k, j, l) +v
j
k
(5.24)
Le calcul de la matrice dauto-corrlation dans ce cas prcis est illustr dans la gure 5.5. Pour cet exemple
le gain dtalement est considr gal ltalement temporel suppos de pL chips.
Dans ce contexte, le vecteur dobservation pourra scrire sous la forme matricielle suivante :
z
k
=
k
ss
h +n
k
(5.25)
o n
k
est le vecteur de bruit rsiduel et
k
ss
est dnie par :

k
ss
=
_

ss
(k, 0, 0)
ss
(k, 0, 1) ...
ss
(k, 0, pL1)

ss
(k, 1, 0)
ss
(k, 1, 1) ...
ss
(k, 1, pL1)
... ... ...

ss
(k, pL 1, 0)
ss
(k, pL 1, 1) ...
ss
(k, pL 1, pL 1)
_

_
(5.26)
Nous pouvons remarquer que pour le cas dune modulation BPSK et un code dtalement valeur relles,
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 127
la matrice
k
ss
conservera la proprit de symtrie.
Ainsi le modle destimation du canal est donn par :
_

_
h
k+1
= h
k
+v
k
z
k
=
k
ss
h
k
+n
k
(5.27)
La structure de ces quations est donc similaire celle que nous avons rencontres dans le cas dune
squence priodique, si ce nest que la matrice dauto-corrlation doit tre calcule chaque tape destimation
k.
5.3.2 Suppression des termes dinterfrence et solution asymptotique associe
En gnral, dans le cas de squences non-priodiques, on ne peut pas simplier le modle (5.27) en utilisant
la mthode de suppression des termes dinterfrence, cause du format de la matrice
k
ss
. Daprs la forme
gnrale donne par lquation (5.26), on voit que dans le cas le plus favorable, cette matrice est symtrique
et variable au cours du temps ; Il faut donc la recalculer pour chaque nouvel instant, augmentant ainsi le cot
de calcul global. Par contre on peut toujours crire une forme o les matrices sont diagonales an de rduire
le cot de calcul au niveau de lalgorithme de Kalman, qui implique toujours linversion dune matrice de
dimension pL pL. Ainsi nous considrerons un modle similaire celui mis en oeuvre pour la suppression
des termes dinterfrence dans le cas priodique :
_

_
h
k+1
= h
k
+v
k
z
i
k
= W
k
h
k
+n
k
(5.28)
o cette fois W
k
dsigne le vecteur diagonal de la matrice
k
ss
.
Le modle (5.28) peut tre simpli sous la forme dun algorithme gain de Kalman scalaire avec lhypo-
thse que la longueur pL sur laquelle on fait la corrlation est assez importante, ou que le code dtalement
garde une nergie constante sur pL (vrai dans le cas des squences binaires). Cette simplication revient au
fait que les lments de la diagonale peuvent tre considrs gaux :

ss
(k, j, j) = W
k
(j) = W, j 0, ..., pL 1 (5.29)
En plus si L est gal au gain dtalement on peut faire lapproximation que les lments diagonaux sont
gaux lnergie symbole E
s
.
La solution asymptotique dans ce cas est similaire celle obtenue dans le cas priodique (eq. 5.18, 5.19
et 5.20).
Du point de vue analytique nous allons voir partir des relations suivantes quune deuxime quation
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 128
dobservation peut tre construite. Ainsi considrant lexpression donne par lquation (5.24) on propose
davancer linstant de rfrence k avec lindex j, et par la suite lquation dobservation devient :
z
j
k
= z
j
k+j
=
pL1

i=0
s (k +i) r (k +i +j)
=
pL1

i=0
s

(k +i)
_
pL1

l=0
h(l) s (k +i +j l) +w(k +i +j)
_
=
pL1

l=0
h(l)
pL1

i=0
s

(k +i) s (k +i +j l) +
pL1

i=0
s

(k +i) w(k +i +j)


=
pL1

l=0
h(l)
ss
(k, j l) +v
j
k
(5.30)
Sous cette nouvelle forme on observe que la fonction dauto-corrlation est dnie relativement la
dirence entre les indices j et l et non plus en valeur absolue de ces mmes indices.
5.3.3 Algorithme destimation du canal et dcision symbole
Dans le dveloppement des quations prcdentes nous avons inclut les symboles informationnels, supposs
connus, dans le signal complexe considr. Notre but est dutiliser la meilleure estimation de canal possible
pour dmoduler le signal informationnel avec un TEB minimal ; Ainsi les deux problmes noncs sont
rciproques.
Bien sr, avant que toute dmodulation soit possible une phase dacquisition est ncessaire ; Nous la
supposerons ici dj accomplie.
Parmi les algorithmes destimation (conjointe canal-symbole), il est assez frquent de trouver des struc-
tures de type retour de dcision ; Nous ferons ici le choix dune approche similaire. Ainsi lide principale
de lalgorithme est dutiliser les symboles informationnels dtects antrieurement pour faire lestimation du
canal associe au symbole courant. On souligne que dans notre cas on peut utiliser lensemble des coecients
du canal estim la frquence chip, approche peu courante dans les mthodes retour de dcision classiques.
Le problme rciproque dont nous avons parl ci-dessus, qui peut tre observ dans la gure 5.5, rside
dans le fait que le calcul complet de la matrice dauto-corrlation suppose la connaissance du symbole courant.
Cette condition impose lemploi dune hypothse sur la valeur du symbole courant qui par la suite va tre
utilise pour la construction de la squence suppose tre prsente dans le canal. Une approche similaire a
dj t dveloppe par Stojanovic et al. [SF00] dans le mme contexte de systme talement de spectre
par squence directe.
Avec ces prcisions on prsente dans la gure 5.6 la structure gnrale du rcepteur retour de dcision,
ralisant conjointement lestimation du canal et la dcision symbole partir dhypothses sur linformation.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 129
Fig. 5.6 Structure gnrale du rcepteur retour de dcision avec une hypothse sur le symbole courant
Linformation connue a priori est la squence dtalement non-priodique employe lmission ainsi
que les symboles estims antrieurement. On peut observer partir de la gure 5.6 que la complexit de
lalgorithme augmente avec lordre M de modulation choisi ; Pour chaque symbole il est ncessaire de procder
une reconstruction du code, une estimation des coecients du canal, ainsi qu une tape de dcision. Ainsi
lalgorithme dmarre avec la supposition que sur chaque branche le symbole courant est S
m
qui appartient
lalphabet / = S
1
, S
2
, ..., S
M
. Ensuite pour chaque hypothse, un algorithme destimation de canal est
employ.
La partie dcision ainsi que le choix du symbole le plus probable peuvent tre implments de direntes
faons. La solution la plus classique est dutiliser pour chaque branche une estimation du symbole transmis
avec une structure de type RAKE, et ensuite lhypothse symbole la plus probable est choisie par rapport
un critre derreur minimale. Ainsi si on a la sortie de la structure RAKE la valeur

d
_
k
pL
_
le choix du
symbole est fait par rapport la relation suivante :

d
_
k
pL
_
= arg min
i=1..M

S
i


d
_
k
pL
_

2
(5.31)
Comme nous le verrons au travers des rsultats exprimentaux, cette approche donne des rsultats int-
ressants. Nous avons alors cherch amliorer encore les performances en exploitant mieux lestimation du
canal. Ainsi par exemple on peut dire quune hypothse de symbole fausse va se traduire par une mauvaise
construction de la matrice
k
ss
avec pour consquence une mauvaise estimation du canal ; A linverse une
hypothse correcte du symbole mnera la meilleure estimation de canal. Dans ce cas un autre critre de
dcision peut correspondre lnergie des trajets les plus puissants. La meilleure solution sera de pondrer
toutes ces informations disponibles pour prendre une dcision par rapport un critre optimal (ex. maximum
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 130
Sig. F
c
[Hz] F
p
[Hz] Est. SNR pF
c
NEB
RAKE
BPSK
NEB
RAKE
DBPSK
NEB
Hypoth.
BPSK
NEB
Hypoth.
DBPSK
1 2100 9800 2.3 dB F
c
0 0 0 0
2 4410 8820 -8.7 dB F
c
1 2 0 0
3 2940 9800 -4.6 dB F
c
0 0 0 0
4 2100 9800 < -10 dB F
c
28 20 145 9
- - - - 3F
c
- - 172 1
Tab. 5.1 Paramtres des signaux traits et rsultats obtenus
de vraisemblance).
5.3.4 Rsultats exprimentaux
Pour valuer les performances des mthodes de dmodulation/estimation de canal dans le cas des systmes
talement de spectre par squences non-priodiques, nous avons considr les mmes signaux de test que
ceux dj employs dans le chapitre prcdent. Le contexte est celui dun canal acoustique sous-marin ; Comme
on a dj prsent dans la gure 4.19, aprs un signal chirp et une squence dacquisition priodique, une
squence informationnelle de 200 symboles, moduls BPSK, est transmise. La squence dtalement non-
priodique employe est chaotique (dynamique Chebyshev dordre 2).
En plus des trois signaux considrs dans le tableau 4.1 on a ajout une exprimentation ralise un SNR
trs rduit (infrieur 10 dB). Pour ce dernier essai, nous avons un traitement un frquence suprieure
la frquence chip qui se traduit par une amlioration des performances, comme on peut lobserver dans le
tableau 5.1.
Deux structures du rcepteur ont t considres :
La premire solution est reprsente par la structure RAKE retour de dcision, dj employe comme
rfrence dans le chapitre prcdent ; Cette structure fait une estimation de canal frquence symbole ;
La deuxime solution est le rcepteur hypothse de symbole et retour de dcision, expos dans le
paragraphe prcdent.
Tous les signaux chantillonns en rception la frquence F
e
= 44100Hz avec un gain de traitement de 63,
et pour chaque mthode on mesure le nombre derreurs binaire (NEB) obtenues en modulation BPSK puis
DBPSK, sur lensemble des 200 symboles transmis.
Le nombre derreurs prsent dans le tableau 5.1 nous donne un aperu global du fonctionnement des
deux solutions de dmodulateurs ; La meilleure performance est obtenue laide du rcepteur hypothse
de symbole et estimation de canal par ltrage de Kalman. Ce bon comportement est surtout remarqu pour
le cas dune modulation direntielle, car le retour de dcision peut entraner une inversion de la phase
du symbole transmis. Observons que lemploi dune estimation des coecients du canal une frquence
suprieure la frquence chip se traduit par une meilleure rcupration de lnergie transmise et ainsi un
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 131
meilleur TEB.
En parallle avec le nombre derreurs on a choisi dillustrer quelques caractristiques : rponses impul-
sionnelles estimes par le rcepteur RAKE classique (g. 5.7) ainsi que par lestimateur hypothse symbole
(g. 5.8), et constellations obtenues pour cette dernire approche (g. 5.9)
Une dernire observation peut tre faite au niveau des constellations obtenues, o une lgre rotation est
note. Cet eet, caus par une frquence Doppler, pourra tre corrig par une boucle de contrle de phase.
5.4 Conclusion
Ce chapitre avait comme objectif lintroduction dune nouvelle mthode destimation du canal frquence
chip, dans le cas dun systme talement de spectre par squence directe, en utilisant une structure de type
Kalman linaire. Nous avons montr que dans le cas des squences dtalement longues un modle linaire
peut encore tre contruit an destimer le canal par ltrage Kalman. Ensuite, pour limiter le cot de calcul
important engendr par le traitement matriciel, on a utilis une mthode de rduction des termes dinterf-
rence. Des solutions asymptotiques pour lalgorithme de ltrage sont proposes. Les mthodes dveloppes
ont t evalues en conditions de simulation ainsi que sur des signaux rels, dans le contexte de communica-
tions acoustiques sous-marines, avec des squences dtalement chaotiques. En perspective, les algorithmes
destimation de canal et de dcision pourraient tre dveloppes dans un contexte doptimalit par rapport
un critre dnir. Des solutions multi-utilisateur seraient de mme envisageables pour orir de meilleures
performances aux systmes dtalement par squence directe codes longs.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 132
Temps [Ts]
C
o
e
f
f
i
c
i
e
n
t
s
Rponse impulsionnelle estime corrlateur
20 40 60 80 100 120 140 160 180
10
20
30
40
50
60
Rponse impulsionnelle estime corrlateur
Temps [Ts]
C
o
e
f
f
i
c
i
e
n
t
s
20 40 60 80 100 120 140 160 180
10
20
30
40
50
60
a) b)
Rponse impulsionnelle estime corrlateur
Temps [Ts]
C
o
e
f
f
i
c
i
e
n
t
s
20 40 60 80 100 120 140 160 180
10
20
30
40
50
60
Rponse impulsionnelle estime corrlateur
Temps [Ts]
C
o
e
f
f
i
c
i
e
n
t
s
20 40 60 80 100 120 140 160 180
10
20
30
40
50
60
c) d)
Rponse impulsionnelle estime corrlateur
Temps [Ts]
C
o
e
f
f
i
c
i
e
n
t
s
20 40 60 80 100 120 140 160 180
20
40
60
80
100
120
140
160
180
e)
Fig. 5.7 Rponse impulsionnelle du canal, estime frquence symbole par une solution de type corrlateur
pour le signal : a - 1 ; b - 2 ; c - 3 ; d - 4 ; e - 4 avec sur-chantillonage
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 133
Temps [Tc]
|
h
k
|
Rponse impulsionnelle estime
2000 4000 6000 8000 10000 12000
10
20
30
40
50
60
Rponse impulsionnelle estime
Temps [Tc]
|
h
k
|
2000 4000 6000 8000 10000 12000
10
20
30
40
50
60
a) b)
Rponse impulsionnelle estime
Temps [Tc]
|
h
k
|
2000 4000 6000 8000 10000 12000
10
20
30
40
50
60
Rponse impulsionnelle estime
Temps [Tc]
|
h
k
|
2000 4000 6000 8000 10000 12000
10
20
30
40
50
60
c) d)
Temps [Tc]
|
h
k
|
Rponse impulsionnelle estime
2000 4000 6000 8000 10000 12000
20
40
60
80
100
120
140
160
180
e)
Fig. 5.8 Rponse impulsionnelle du canal, estime frquence chip par la solution de type ltrage de
Kalman linaire, pour le signal : a - 1 ; b - 2 ; c - 3 ; d - 4 ; e - 4 avec sur-chantillonage
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 5. ESTIMATION DE CANAL PAR FILTRAGE KALMAN LINAIRE 134
0.15 0.1 0.05 0 0.05 0.1 0.15
0.1
0.05
0
0.05
0.1
Constellation
I
m
Re
0.06 0.04 0.02 0 0.02 0.04 0.06
0.05
0.04
0.03
0.02
0.01
0
0.01
0.02
0.03
0.04
0.05
Constellation
I
m
Re
a) b)
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
Constellation
Re
I
m
0.3 0.2 0.1 0 0.1 0.2 0.3
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
Constellation
Re
I
m
c) d)
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
Constellation
I
m
Re
e)
Fig. 5.9 Constellation obtenue la sortie de la structure RAKE avec les coecients du canal estims
par ltrage de Kalman linaire, frquence chip, pour le signal : a - 1 ; b - 2 ; c - 3 ; d - 4 ; e - 4 avec
sur-chantillonage
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Chapitre 6
Compression de linformation laide de
systmes chaotiques
6.1 Introduction
Le codage dsigne de manire gnrale toute transformation de linformation sous forme numrique dans
lobjectif doptimiser certaines caractristiques dun systme de transmission. Le problme de compression en
est un cas particulier ; Dans ce cas le but est de rduire au mieux lespace ncessaire la reprsentation dune
quantit dinformation donne. Dans son article [Sha48], Claude E. Shannon a formul pour la premire fois
la thorie de linformation et du codage ; Ce travail reste la rference de toutes les mthodes de compression
dveloppes depuis.
De faon gnrale on peut classier tous les algorithmes de compression en deux classes fondamentales :
algorithmes de compression sans perte et avec pertes au niveau de linformation regnre. Les deux cas ont
comme but la suppression de la redondance dans une squence informationnelle, le premier avec lobjectif de
la reconstruction totale de la squence initiale et le deuxime supposant acceptable une certaine distorsion.
Dans ce chapitre nous proposons dappliquer certains systmes dynamiques chaotiques au problme de
la compression sans perte. Vu lenjeu conomique important de la compression, de nombreux algorithmes
ont t dvelopps. Aprs la publication de larticle de Shannon, le premier algorithme de compression a
t propos par Fano [Fan49], do lappelation dalgorithme de Shannon-Fano qui propose darranger les
symboles dans une liste dcroissante en fonction de leur probabilit dapparition. Cette liste est ensuite divise
en deux groupes telle que les probabilits totales obtenues au sein de chaque groupe soient presque gales, et
chacun deux sera associ le symbole 0 ou 1. Ce principe est de nouveau appliqu, de manire itrative,
chacun des groupes prcdents et il en rsulte un code binaire de longueur variable associ chaque symbole
135
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 136
informationnel.
En 1952, Human [Huf52] propose son algorithme de compression, qui considre la construction dun
arbre binaire, toujours en fonction de la distribution de probabilit. La mthode permet la construction
plus facile du code de compression ; Son utilisation est frquente en pratique. Il faut prciser que les deux
algorithmes prsents ci-dessus ont des performances sous-optimales par rapport au critre entropique donn
par Shannon.
Une dernire mthode voque sera celle propose par Elias et plus tard publie par Abramson [Abr63],
mthode qualie darithmtique. Plusieurs dveloppements successifs sont recenss dans [Ris76, Rub79,
WNC87]. Lide principale de lalgorithme est de reprsenter un code source sous la forme dun intervalle
rel inclus dans [0, 1], en utilisant les probabilits dapparition de chaque symbole pour en dterminer la di-
mension. Ainsi une probabilit dapparition importante va avoir un eet de rduction moins prononc quune
probabilit dapparition faible. On a choisi demployer le mme principe pour la mthode de compression
base sur la dynamique chaotique ; Nous montrerons que les performances atteignent la limite entropique.
La forte progression des applications de tlcommunications aux cours des trente dernires annes a en-
tran le dveloppement dalgorithmes de compression plus volus, adaptatifs, avec une approche statistique
o le modle de probabilit associ change avec la squence informationnelle. Citons en particulier lalgo-
rithme de Human adaptatif [Gal78] ou les algorithmes Lempel-Ziv-Welch [ZL77, ZL78, Wel84]. Pour obtenir
une description comparative des techniques de compression pr-cites le lecteur pourra se rfrer [LH].
A linverse de lactivit sur les algorithmes de compression, lemploi de squences chaotiques dans le
domaine des tlcomnunications est plus rcent, en particulier pour ce qui concerne lapplication au codage
et la compression. Lutilisation du chaos des ns de cryptage a fait lobjet dinvestigations plus nombreuses
[Bap98, JK01]. Rcemment, Schweizer et al. [SS01a, SS01b] ont dvelopp la notion de dynamique symbolique
pour eectuer un codage de canal.
Dans ce chapitre, nous allons montrer que la dynamique chaotique symbolique peut tout aussi bien
sappliquer au problme de compression dinformation ; Une formulation plus gnrale que la compression
arithmtique, facilitant limplmentation, et orant des performances comparables, sera obtenue. Ces rsul-
tats ont fait lobjet dune publication dans une confrence internationale [LSAB04].
6.2 Notions sur la dynamique symbolique
La dynamique symbolique est utilise pour lanalyse des squences symboliques qui ont t gnres par
un systme dynamique. Ladaptation des dnitions de la dynamique symbolique aux systmes chaotiques
considre la rpartition du nombre inni de trajectoires en un nombre ni de trajectoires possibles.
Cette dnition donne par Schweizer [SS01a] dcrit presque totalement lapproche symbolique gnrale
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 137
applique aux squences chaotiques. Nous ne considrons pas de formalisme mathmatique gnral pour
dmontrer les proprits statistiques dune squence chaotique quelconque, mais plutt une application par-
ticulire de la dynamique symbolique au gnrateur de type Bernoulli suivant :
f(x) =
_

_
f
1]
(x) = 2x, x I
1]
= [0, 0.5]
f
2]
(x) = 2x 1, x I
2]
= (0.5, 1]
(6.1)
Dans lquation ci-dessus on a considr les intervalles juxtaposs et disjoints deux deux I
n]
, avec les
proprits
N
n=1
I
n]
= et
N
n=1
I
n]
= I, pour le cas o N = 2, n = 1...N et I = [0, 1]. Pour dnir une
application symbolique dans ce cas prcis on considre une squence informationnelle s = s
i
, i = 1...M[s
i

S o S reprsente lalphabet des symboles disponibles S
n]
S, n = 1...N, dans le but dassocier chaque
symbole S
n]
un intervalle I
n]
. De cette faon nous avons dni une fonction bijective entre lensemble

N
n=1
I
n]
= I qui reprsente lespace dtat de la fonction chaotique lalphabet
N
n=1
S
n]
= S. On a
employ la terminologie dalphabet pour faciliter lexplication de lalgorithme de compression prsent dans
les sections suivantes.
On observe que pour chaque intervalle I
n]
le gnrateur Bernoulli, donn par lquation (6.1), associe
une fonction linaire f
n]
: I
n]
I. Cette fonction linaire sur lintervalle particulier I
n]
est bijective et
en consquence inversible, ainsi nous pouvons armer quil existe f
1n]
: I I
n]
pour chaque n = 1...N.
On va montrer sous la forme dun exemple comment le processus de codage dune squence information-
nelle fonctionne, et pour celle-ci on suppose que le dernier symbole est s
M
= S
2]
. La consquence que le
symbole s
M
= S
2]
linstant M soit le dernier nous conduit lhypothse quau rang M+1 tout lintervalle
de valeurs possibles de conditions initiales (IC) pour ltat est (I).
La fonction qui propage nimporte laquelle des valeurs de lintervalle I lintervalle I
2]
est donne par
f
12]
et la proprit de bijectivit nous assure que pour nimporte quelle valeur dans I lui correspondra
juste une valeur dans I
2]
et vice versa. Alors nalement pour le M-ime symbole on obtient :
I
M]
= f
12]
(I) = I
2]
(6.2)
o la notation I
i]
a t choisie pour dsigner lintervalle des conditions initiales possibles et ncessaires
pour que la squence de symboles soit s
i
, s
i+1
, ..., s
M
. On va continuer lapplication du mme principe,
cette fois pour le symbole de rang M 1, choisi par exemple comme s
M1
= S
1]
. Cette fois, lintervalle de
valeurs disponible sera limit I
M]
, et en consquence lintervalle des conditions initiales possibles est donn
par I
M1]
= f
11]
_
I
M]
_
. En gnral on peut exprimer la relation (6.2) pour nimporte quel symbole s
i
avec la valeur S
n
, par la rcurrence :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 138
0.5 1 1.5 2 2.5 3 3.5 4 4.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
S
1
S
2
Limites de lint de CI
Position du symbole
L
i
m
i
t
e
s

/

R
e
p
a
r
t
i
t
i
o
n

d
e

l

e
s
p
a
c
e

d

t
a
t
Limite INF de lint de CI
Limite SUP de lint de CI
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
S
1
S
2
f
1
(x[k])
x
[
k
+
1
]
x[k]
a) b)
Fig. 6.1 a) Intervalle de CI possibles dduit par la propagation inverse ; b) Forme de la fonction inverse
f
1
()
I
i]
= f
1n]
(I
i+1]
) (6.3)
Lapplication de la relation de propagation inverse ci-dessus au gnrateur Bernoulli (6.1) est illustre
la gure 6.1 a) pour la squence de symboles S
2]
, S
1]
, S
2]
. Dans la partie b) de la gure sont reprsentes
les fonctions inverses f
1
() utilises.
Nous venons dexposer le mcanisme de propagation inverse qui nous permet de trouver lintervalle de
conditions initiales ncessaire la reconstruction de la squence informationnelle S
2]
, S
1]
, S
2]
. On souligne
que cet intervalle est uniquement dni pour lapplication Bernoulli dordre deux choisie. Cela signie que
dans tous les dveloppements qui vont suivre, lintervalle obtenu sera associ ce gnrateur ; Ainsi la
mconnaissance dun de ces deux lments rendra la reconstruction impossible.
6.3 Gnrateur probabiliste de Bernoulli
Nous introduisons ici un systme dynamique chaotique particulier dnomm gnrateur probabiliste de
Bernoulli. La caractristique de ce systme prendra la forme dune fonction linaire par portions, non-
uniforme, dcrivant un processus de Markov dordre 1. La non-uniformit vient de lide que les intervalles
I
n]
peuvent tre de largeurs ingales.
Pour dnir le gnrateur on va considrer le mme alphabet S mais, cette fois, associ la probabilit
dapparition P
n
, n = 1...N de chaque symbole. Alors on peut crire pour lensemble des intervalles I
n]
ainsi
que pour les probabilits P
n
, les relations suivantes :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 139
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
P
1
P
2
P
3
P
N
P
N1
x[k]
x
[
k
+
1
]
Gnrateur probabiliste de Bernoulli
Fig. 6.2 Fonction caractristique dun gnrateur probabiliste de Bernoulli

N
n=1
I
n]
= I = [0, 1]

N
n=1
P
n
= 1

N
n=1
I
n]
=
P
n
: probabilit dapparition du symbole S
n
(6.4)
Avec les expressions donnes par (6.4) on peut facilement obtenir une relation entre probabilits dappa-
rition et intervalles, dnissant lespace dtat o sappliquera la dynamique symbolique :
I
1]
= [0, P
1
]
I
n]
=
_

n1
i=1
P
i
,

n
i=1
P
i
_
, n = 2...N
(6.5)
Alors la fonction caractristique pour le gnrateur probabiliste de Bernoulli prendra la forme :
f
p
(x) =
_

_
f
1]
p
(x) =
1
P1
x, x I
1]
f
2]
p
(x) =
1
P2
(x P
1
) , x I
2]
.....
f
N]
p
(x) =
1
PN
_
x

N1
n=1
P
n
_
, x I
N]
(6.6)
La reprsentation dune telle fonction caractristique est donne dans la gure 6.2.
Si on tudie les proprits de la fonction caractristique donne dans (6.6) on observe quelle respecte
les conditions ncessaires pour lapplication de la dynamique symbolique inverse, en particulier que la partie
dnie par f
n]
p
: I
n]
I est bijective sur son intervalle de dnition, et comme consquence inversible.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 140
Alors on peut armer que la fonction f
1n]
p
: I I
n]
existe pour tous n = 1...N, avec pour expression :
_

_
f
11]
p
(x) = P
1
x
f
1n]
p
(x) = P
n
x +

n1
i=1
P
i
(6.7)
Lexpression donne ci-dessus sera le coeur de lalgorithme de compression prsent dans la section sui-
vante. Nous verrons que la dynamique symbolique inverse ainsi applique conduira des performances de
compression trs intressantes du point de vue du taux de compression et du cot de calcul.
6.4 Un algorithme de compression chaotique
6.4.1 Performances de lalgorithme propos
Pour raliser un certain niveau de compression on doit associer lalgorithme de compression certaines
des proprits statistiques du signal informationnel original, le but tant de rduire la redondance.
Gnralement linformation apporte par un symbole source s
i
est dnie par log
2
(p (s
i
)), et par cons-
quent lon dnit lentropie dun alphabet source comme la moyenne du contenu en information :
H =
N

n=1
P
n
log
2
(P
n
) (6.8)
Loptimalit du code de compression est considre au sens de la redondance minimale, qui est dnie par
la dirence entre la longueur moyenne de mot de code (codeword) et lentropie de lalphabet associ. Ainsi
un code est considr asymptotiquement optimal si pour une distribution donne de probabilit, le rapport
entre la longueur moyenne du codeword et lentropie approche 1 lorsque lentropie tends vers linni.
Dans la section 6.2 nous avons vu quen utilisant un gnrateur particulier linaire par morceaux, on peut
"coder" une squence de symboles sous la forme dun intervalle de conditions initiales, et que ce codage, est
ralis de manire unique grce aux proprits de bijectivit de la fonction caractristique du gnrateur.
En exploitant le gnrateur probabiliste de Bernoulli expos dans le paragraphe 6.3, nous allons voir que les
performances du codage atteignent la limite entropique.
La compression est ralise en trouvant le meilleur tat initial, cod sous un format binaire, qui associ
au gnrateur probabiliste de Bernoulli (6.6) (labor lui-mme partir de la distribution de probabilit des
symboles), pourra regnrer la squence informationnelle initiale en utilisant la dynamique symbolique. Les
performances de la mthode seront donnes par la longueur minimale de la squence binaire qui permettra
le codage de ltat initial dans un intervalle particulier. En gnral on sait que pour un intervalle quelconque
I
t
[0, 1[ de dimension d, on peut trouver une valeur x I
t
reprsente par un nombre de bits log
2
d.
En utilisant ce principe, on calcule la performance de compression de lalgorithme avec lexpression de la
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 141
dimension de lintervalle de conditions initiales obtenu par propagation inverse. Ainsi on va considrer de
la mme manire que dans la section 6.2, la squence informationnelle s = s
i
, i = 1...M[s
i
S o S est
lalphabet choisi, S
n]
S, n = 1...N, avec la probabilit dapparition de chaque symbole donne par :
P
n
=
1
M
card
_
s
i
[s
i
= S
n]
_
(6.9)
Cette fois avec la dnition de la distribution de probabilit discrte on peut construire lensemble din-
tervalles contigus I
n]
exprims en (6.5) et bien sr le gnrateur probabiliste de Bernoulli (6.6), caractris
par la proprit de bijectivit sur chaque intervalle I
n]
. Lemploi de la mthode de propagation inverse nous
permet de trouver lexpression rcurrente pour lintervalle I
i]
de valeurs possibles et ncessaires de CI, pour
coder le symbole s
i
= S
n]
, nous aurons :
I
i]
= f
1n]
p
_
I
i+1]
_
(6.10)
Avec cette relation et sachant que la fonction f
1.]
p
est linaire sur lintervalle I
i+1]
I
n]
, on peut
calculer une expression de rcurrence pour la dimension de lintervalle I
i]
; Toujours dans le cas o s
i
= S
n]
,
est pour une probabilit dapparition 0 P
n
< 1 :
size
_
I
i]
_
= P
n
size
_
I
i+1]
_
(6.11)
Grce cette relation rcursive et la dnition de la distribution de probabilit discrte (6.9), nous obte-
nons une relation permettant le calcul direct de la largeur dintervalle de condition initiales pour compresser
toute la squence informationnelle :
size
_
I
1]
_
=

M
i=1
P (s
i
S) =

N
n=1
(P
n
)
PnM
(6.12)
Finalement on obtient le nombre ncessaire de bits pour le codage dune condition initiale dans lintervalle
I
1]
en prenant le logarithme de cette expression :
log
2
_
size
_
I
1]
__
=

N
n=1
P
n
M log
2
(P
n
) = M H (6.13)
Ainsi nous constatons loptimalit de lalgorithme de compression propos, puisque lentropie de la s-
quence informationnelle est atteinte. Bien sr on peut remarquer la similarit avec lalgorithme arithmtique
voqu en dbut de ce chapitre, mais ce dernier se direncie par une technique de projection directe, dicile
implmenter en pratique et ncessitant un cot de calcul important. Quelques travaux rcents proposent des
versions allges de cet algorithme au niveau de la charge de calcul tout en gardant les mmes performances
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 142
[BG03].
La procdure de dcompression pour lalgorithme propos est trs simple mettre en oeuvre ; En utilisant
la condition initiale dtermine ainsi que le gnrateur probabiliste de Bernoulli dni par P
n
on gnre
une squence chaotique contenue dans les limites de chacun des intervalles obtenus lors de la compression.
La prise de dcision sur les symboles lors de ltape de reconstruction se fera en observant simplement dans
quel intervalle I
n]
se place ltat chaque itration de la dynamique (6.6).
La ncessit de connatre le gnrateur probabiliste utilis la compression nous assure aussi le cryptage de
la squence informationnelle. Tout autre gnrateur employ pour la dcompression va produire une squence
de symboles totalement dcorrle avec loriginale. Cette dcorrlation est garantie par le comportement
chaotique : toute perturbation de la condition initiale se traduit par une trajectoire divergente par rapport
la vraie squence.
Le problme de cette implmentation, dailleurs retrouv dans le cas de lalgorithme arithmtique, est que
lon ne sait pas quand sarrter ; Ainsi nous devons ajouter lespace de symboles un caractre spcique
de n de squence. Ceci aectera loptimalit du processus de compression en pratique mais pour le cas de
squences informationnelles inniment longues loptimalit au sens de lentropie est toujours garantie.
6.4.2 Implmentation en pratique
Pour limplmentation en pratique de lalgorithme propos il faut transfrer toutes les oprations sous
forme binaire. On propose deux solutions pour y arriver. La premire et la moins coteuse est dutiliser un
format binaire pour toutes les oprations de multiplication et daddition raliser. Mme si cette mthode
est la plus performante, elle suppose par contre le dveloppement dune bibliothque de fonctions de calcul
arithmtique particulire. Alors nous avons prfr la seconde approche, reposant sur des oprations en
virgule otante et codage de la condition initiale en binaire.
Quelle que soit la mthode choisie on propose lexpression dune valeur quelconque x [0, 1[, sous forme
de somme innie de puissances ngatives de deux :
x =

k=1
b
k
2
k
(6.14)
o b
k
= 0, 1 , k = 1....
Si on considre que lintervalle I
1]
, obtenu par la propagation inverse de toute la squence informa-
tionnelle est dni sous la forme I
1]
= [l
inf
, l
sup
], avec l
inf
, l
sup
[0, 1[, on peut dmontrer la proposition
suivante sur le calcul dune condition initiale dans lintervalle dtermin.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 143
Proposition 1. Etant donn un intervalle [l
inf
, l
sup
] [0, 1[, on va dmontrer quavec lexpression de
ses limites en fonction dune somme innie de puissances ngatives de deux l
inf
=

k=1
b
i]
k
2
k
, l
sup
=

k=1
b
s]
k
2
k
, il existe M < toujours tel que b
i]
k
= b
s]
k
k M, avec b
i]
M+1
,= b
s]
M+1
. Aussi, la valeur
x
CI
=

M+1
k=1
b
s]
k
2
k
appartient lintervalle [l
inf
, l
sup
].
Dmonstration : Deux cas de gure vont tre considrs pour montrer lexistence de M :
cas o 0.5 ]l
inf
, l
sup
[
Dans ce cas lexpression des limites de lintervalle sous la forme (6.14), implique b
i]
1
= 0 et b
s]
1
= 1. Nous
considrons alors que M = 0 et aussi x
CI
= 2
1
[l
inf
, l
sup
] qui convient pour rpondre au problme.
cas o 0.5 / ]l
inf
, l
sup
[
Dans ce cas nous allons utiliser la proprit suivante :

k=M
2
k
= 2
M
lim
k
1 2
k1
1 2
1
= 2
M+1
(6.15)
Pour la preuve de lexistence de M, on va crire les ingalits suivantes pour une valeur quelconque
l [0, 1[ :
l =

k=1
b
k
2
k
= b
1
2
1
+

k=2
b
k
2
k
b
1
2
1
(6.16)
l =

k=1
b
k
2
k
= b
1
2
1
+

k=2
b
k
2
k
< b
1
2
1
+

k=2
2
k
< b
1
2
1
+ 2
1
(6.17)
Avec les expressions (6.16) et (6.17) nous allons maintenant montrer lgalit des symboles binaires b
i]
k
et b
s]
k
pour k M.
La supposition b
i]
1
= 1 et b
s]
1
= 0 nous conduirait l
min
0.5, l
max
< 0.5 ce qui est en contradiction
avec lhypothse de dpart l
min
< l
max
. De la mme faon, si nous supposons que b
i]
1
= 0 et b
s]
1
= 1 on
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 144
a l
min
< 0.5 et l
max
0.5 qui par contre ne respecte pas lhypothse initiale que 0.5 / ]l
inf
, l
sup
[. Nous
pouvons en conclure quil existe bien M 1 tel que b
i]
k
= b
s]
k
, k M.
Lexistence de M tant prouve, en supposant de faon similaire les direntes combinaisons possibles
des valeurs de b
i]
M+1
et b
s]
M+1
, nous obtenons comme seule solution admissible b
i]
M+1
= 0 et b
s]
M+1
= 1.
On va choisir alors la variable x
CI
=

M+1
k=1
b
s]
k
2
k
qui respecte les ingalits suivantes :
l
inf
=

k=1
b
i]
k
2
k
=
M

k=1
b
i]
k
2
k
+

k=M+2
b
i]
k
2
k
<
M

k=1
b
i]
k
2
k
+ 2
M1
<
M+1

k=1
b
s]
k
2
k
< x
CI
(6.18)
l
sup
=

k=1
b
s]
k
2
k
=
M+1

k=1
b
s]
k
2
k
+

k=M+2
b
s]
k
2
k

M+1

k=1
b
s]
k
2
k
x
CI
(6.19)
Ainsi x
CI
=

M+1
k=1
b
s]
k
2
k
appartient bien lintervalle [l
inf
, l
sup
].
La notation x
CI
a t choisie pour dsigner la condition initiale nalement slectionne comme la repr-
sentation binaire de la squence informationnelle compresse.
6.4.3 Exemple dapplication de lalgorithme propos
Pour illustrer le fonctionnement de lalgorithme on a choisi de compresser deux squences avec la mme
longueur et la mme distribution de probabilit des symboles (table 6.1). Ce choix va nous permettre dob-
server linuence de lordre des symboles sur la trajectoire chaotique gnre et sur la condition initiale
dtermine (gure 6.4 a,b).
Squence no. #1 : AABACABCCACBAACAC#, longueur : M = 18
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 145
Caractre Probabilit Intervalle I
n]
A 0.4444 [0, 0.44]
B 0.1667 (0.44, 0.61]
C 0.3333 (0.61, 0.94]
# 0.0556 (0.94, 1]
Tab. 6.1 Probabilit dapparition des symboles
1 2 3 4
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Probabilit dapparition du symbole
Symbole
P
r
o
b
a
b
i
l
i
t

A
B
C
#
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
P
1
P
2
P
3
P
4
x[k]
x
[
k
+
1
]
Gnrateur probabiliste de Bernoulli
a) b)
Fig. 6.3 a) Histogramme de la distribution de probabilit discrte ; b) Gnrateur probabiliste de Bernoulli
Entropie : H = 1.7108, codage normal pour les IC (conditions initiales) :H M = 30.7944
CI code : [0 0 0 1 1 0 0 1 0 0 0 1 0 1 1 0 1 1 0 1 0 1 1 0 0 0 1 1 0 0 1], longueur de
31 bits
Valeur relle de la CI : x
0
= 0.09800471039489
Squence no. #2 : ABAACABCACCBACAAC#, longueur : M = 18
CI code : [0 0 1 1 0 1 0 1 0 0 1 0 1 1 0 0 0 0 0 0 1 0 1 1 1 1 0 1 1 0 1], longueur de
31 bits
Valeur relle de la CI : x
0
= 0.20770334312692
Une explication qualitative des gures 6.4 a) et b), est que la proprit de bijectivit des fonctions f
n]
p
(x)
nous assure que la trajectoire rgnre partir de ltat initial x
0
sera toujours contenue dans les intervalles
I
i]
, obtenus par propagation inverse. On observe que pour les deux squences la gnration de la trajectoire
sarrte en dtectant le symbole de n de squence. Une autre manire de raliser la dcompression, dirente
de lemploi dun symbole de n de squence, peut tre considre, avec une longueur xe de la squence
informationnelle compresser.
Une observation simpose au niveau des possibilits de reconstruction de la squence des symboles dans
le cas o une erreur sera commise au niveau de la condition initiale (reprsente sous format binaire). En
fonction de la position de cette erreur dans la squence binaire (proche de MSB or LSB) il se peut que les
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CHAPITRE 6. COMPRESSION DE LINFORMATION LAIDE DE SYSTMES CHAOTIQUES 146
2 4 6 8 10 12 14 16 18
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Limites de lint de CI & Squence regnre
Position du symbole
L
i
m
i
t
e
s

/

R
e
p
a
r
t
i
t
i
o
n

d
e

l

e
s
p
a
c
e

d

t
a
t
#
C
B
A
Limite INF de lint de CI
Limite SUP de lint de CI
Squence regnre
2 4 6 8 10 12 14 16 18
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Limites de lint de CI & Squence regnre
Position du symbole
L
i
m
i
t
e
s

/

R
e
p
a
r
t
i
t
i
o
n

d
e

l

e
s
p
a
c
e

d

t
a
t
#
C
B
A
Limite INF de lint de CI
Limite SUP de lint de CI
Squence regnre
a) b)
Fig. 6.4 Limites des trajectoires qui dterminent lintervalle rcurrent des CI et la trajectoire rgnre
pour la squence informationnelle : a) #1 ; b) #2
premiers symboles informationnels soit correctement regnrs, mais dans le cas o un symbole de n de
squence est utilis, nous allons commettre aussi une erreur sur la longueur de la squence regnre. Lusage
dune squence de longueur xe se place de ce point de vue, comme un avantage.
Le choix dune stratgie pour ltape de dcompression dpend fortement de la nature de linformation
manipule.
6.5 Conclusion
Un algorithme de compression sans pertes, optimal par rapport un critre dentropie a t prsent
dans ce chapitre. Lide principale est dutiliser les systmes chaotiques comme une nouvelle mthode de
compression et mme de cryptage ; Un cot de calcul limit est ainsi obtenu. Un type particulier de gnra-
teur chaotique, appel gnrateur probabiliste de Bernoulli, a t considr pour transformer une squence
informationnelle quelconque en une trajectoire comprise dans lintervalle [0, 1].
Seul lalgorithme statique de compression est considr dans ce chapitre, une forme adaptative peuvant
tre envisage pour amliorer les performances. Lemploi dune fonction linaire par parties permet une
reconstruction rapide de la squence initiale, rendant la mthode trs intressante pour des implmentations
en temps rel.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Conclusions
Dans ce document ont t prsents plusieurs aspects sur les communications numriques laide de
systmes dynamiques chaotiques. Les contributions apportes peuvent tre classes en trois catgories prin-
cipales :
tude sur la synchronisation chaotique en utilisant des mthodes destimation dtat avec un accent
important sur la mise en place dune nouvelle mthode de ltrage de Kalman non-linaire ;
mise en place de plusieurs structures de rcepteurs adapts aux systmes de communication porteuse
chaotique, en simulation et sur des canaux rels ;
ralisation dune mthode de compression base sur la dynamique symbolique chaotique.
On prsente par la suite pour chaque point voqu ci-dessus les aspects importants qui caractrisent lorigi-
nalit de chaque mthode ainsi que les perspectives de nouveaux rsultats.
Dans un systme de communication porteuse chaotique, la synchronisation est llment le plus impor-
tant qui doit tre pris en compte pour assurer les meilleures performances de transmission. Ainsi dans ce but,
on a dvelopp une nouvelle mthode destimation dtat, reprsente par le ltre de Kalman Polynomial
Exact (ExPKF).
On a prouv ainsi dans le chapitre 3, que pour un modle polynomial monodimensionnel on peut calculer
facilement la statistique exacte dordre deux dune v. a. alatoire qui subit cette transformation. Les relations
obtenues pour les moments dordre un et deux suivent des expressions de calcul matricielles rendant ainsi une
application en pratique trs facile implmenter. A partir de ces relations, le dveloppement dun algorithme
de ltrage rcursif de type Kalman est immdiat. Cet algorithme a t dvelopp pour un modle polyno-
mial gnral rendant ainsi possible son application tout problme destimation rcursive o le processus
adopte une forme polynomiale. En ce qui concerne son application directe la synchronisation chaotique,
lexpression de moments de ltat transform peut tre encore simpli en explicitant les relations matricielles
analytiquement, pour obtenir un cot de calcul trs rduit.
Les performances de cette mthode ont t values, dans le paragraphe 3.5, dans plusieurs cas de gure,
en la comparant dautres solutions de ltrage de Kalman : analyse graphique de la transformation Exacte,
tude sur la stabilit pour un modle particulier, EQM de synchronisation et une valuation de la consistence
147
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CONCLUSIONS 148
du mcanisme de ltrage. Sur tous les plans la mthode Exacte a montr des performances suprieures et a
conrm ainsi que cette solution originale a un potentiel important pour la synchronisation chaotique.
Les premires perspectives pour le ltrage ExPKF portent sur la possibilit dappliquer cet algorithme
dautres applications propres aux mthodes destimation dtat comme le positionnement, les mthodes
de classication, et en gnral tout modle polynomial. Du point de vue de lapplicabilit aux problmes
multi-dimensionnels, le ltrage Exact peut tre adapt ce cas de gure en ralisant une transformation de
diagonalisation de la matrice de covariance, tude dailleurs mene actuellement.
En ce qui concerne les rcepteurs porteuse chaotique on a tudi plusieurs variantes synchronisation
chaotique ainsi que dautres solutions plus classiques synchronisation par boucle de retard de code. Pour
les rcepteurs synchronisation chaotique on a mis laccent sur les systmes qui emploient des mthodes
destimation dtat, tant donn les bonnes performances prsentes. Dans le paragraphe 4.3, on a considr
plusieurs solutions de traitement en bande de base du signal reu par estimation parallle du code dtalement
chaotique, du symbole transmis ainsi quventuellement de lerreur de phase ou du gain introduit par le canal.
Pour le contrle de gain on a considr deux solutions : une approche de dynamique modie et une boucle
de contrle qui utilise les proprits statistiques de la squence chaotique utilise ; Ces solutions sont ensuite
testes par rapport un critre de TEB sur dirents canaux de communications.
Pour mettre en vidence lecacit de la nouvelle mthode destimation dtat Exacte sur les performances
du rcepteur estimation parallle, on a test cette solution par rapport aux autres versions de ltrage
Kalman. En plus on a ajout un schma de dmodulation bas sur une structure de type corrlateur. Les
rsultats obtenus sur des canaux stationnaires ont montr lecacit de la version Exacte de ltrage pour
dirents gains dtalement et pour diverses fonctions non-linaires.
Pour des applications sur des canaux rels diciles comme cest le cas des transmissions acoustiques
sous-marines, on a utilis aussi des versions de rcepteurs o la synchronisation est ralise par des mthodes
classiques. Dans ces situations on considre lemploi dun modle de ltrage parallle qui prend en compte
un seul trajet nergtique, ainsi quun modle gnralis qui utilise lnergie transmise sur plusieurs trajets.
Dans le paragraphe 4.6, ces deux solutions sont compares ensuite avec un rcepteur de type RAKE-MRC
sur plusieurs signaux rels dirents SNR; Les rsultats montrent la supriorit de la solution destimation
parallle plusieurs trajets en condition dcart nergtique minime entre les dirents chos.
A partir des rsultats obtenus avec cette version on a ralis par la suite un nouveau schma qui estime
cette fois, la majorit des trajets nergtiques prsents lentre du rcepteur. Ce schma est obtenu en
dveloppant lquation dobservation des coecients du canal pondrs par la matrice dauto-corrlation.
Lavantage de ce modle est quil prend en compte les termes dinter-corrlation entre la squence dtalement
et sa version retarde, augmentant ainsi les performances du systme pour des codes dtalement avec une
fonction dauto-corrlation sous-optimale ; Ce modle linaire permet lemploi dun ltre de Kalman linaire
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CONCLUSIONS 149
comme estimateur optimal par rapport un critre derreur quadratique minimal. En fonction du code utilis,
on a considr deux cas : squences dtalement courtes et squences dtalement longues.
Pour les squences dtalement courtes le modle linaire obtenu ne change pas avec le signal reu, ainsi
diminuant le cot de calcul. Par la suite, pour rduire le cot de calcul, d en partie aux relations dinversion
matricielles, on a utilis une mthode de suppression de termes dinterfrences rendant ainsi lalgorithme sous
forme scalaire. Cette version de lalgorithme a subit ultrieurement plusieurs modications pour augmenter
la vitesse de convergence ou pour obtenir sa forme asymptotique.
Les squences dtalement longues ou la prsence des symboles informationnels vont dterminer le chan-
gement de la matrice dauto-corrlation et de mme le changement du modle. Cette ncessit de recalculer
la matrice dauto-corrlation chaque tape ainsi que la perte de quelques proprits comme la forme Toe-
plitz, vont conduire un cot de calcul beaucoup plus important. Pour rsoudre ce problme on eectue
quelques approximations ainsi que la suppression des termes dinterfrence, qui vont conduire nalement
un algorithme mono-dimensionnel. Lestimation du canal en prsence des symboles informationnels a t
ralise avec un algorithme retour de dcision conjointement avec lestimation du symbole par une structure
de type RAKE. Dans le paragraphe 5.3.4, cet algorithme a t test de mme sur des signaux acoustiques
sous-marins : les performances ainsi obtenues, en terme de TEB, se sont bien avres suprieures celles de
la structure classique RAKE-MRC.
La dernire partie du document est ddie la prsentation dune mthode de compression originale qui
utilise la dynamique symbolique chaotique pour raliser le codage dune squence informationnelle sous la
forme dun intervalle de conditions initiales. On dmontre que lemploi dun gnrateur particulier, dnomm
gnrateur probalistique de Bernoulli, construit en fonction de la probabilit dapparition de chaque symbole,
va gnrer la squence informationnelle initiale partir dune condition initiale situe dans un intervalle
donn (la dtermination de celui-ci est issue de ltape de compression). Thoriquement on dmontre dans le
paragraphe 6.4.1, que la performance de compression atteint la limite entropique, ainsi on obtient le rsultat
trs important que la mthode dveloppe est optimale.
Rappelons que cet algorithme suit les mmes tapes que la compression arithmtique, mais avec une
formulation plus gnrale grce aux systmes dynamiques chaotique, ce qui en fait loriginalit. En perspec-
tive, en utilisant cette approche, on pourra dvelopper un algorithme de compression qui sera associ la
probabilit conditionne dapparition des symboles un ordre suprieur.
Une des perspectives les plus importantes concerne lapplication des mthodes dveloppes dans ce tra-
vail de thse dans un cadre de systme de communication accs multiple. Si lemploi dune mthode de
synchronisation chaotique devient dicile dans un cas multi-utilisateur, une approche plus facile peut tre
dveloppe en considrant les solutions de suppression des termes dinterfrences adaptes en plus ce cas
de gure, avec la prise en compte de linterfrence inter-utilisateurs.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
CONCLUSIONS 150
Les rsultats en terme de TEB obtenus en simulation ou sur des canaux de transmission rels, ainsi que
laspect stochastique des signaux moduls porteuse chaotique, qualient les mthodes dveloppes comme
des systmes LPI, mais une tude thorique sur les mthodes dinterception reste faire pour valider vraiment
les systmes chaotiques pour des applications qui demandent un niveau de scurit important.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Annexe A
Exposants de Lyapunov
Dans le premier chapitre on a dni les exposants de Lyapunov en fonction de la dformation subie par
une sphre de conditions initiales possibles sur une i-me direction :

i
= lim
t
1
t
ln

i
(t)

i
(0)
, i = 1...n (A.1)
Ainsi on peut dire que les exposants positifs mesurent la divergence dans la direction correspondante
(direction dilatante) et les exposants ngatifs donnent le taux de convergence vers lattracteur dans les
directions contractantes.
Cette dnition est donne comme une formulation gnrale du lien entre la stabilit des trajectoires dans
lespace de phase et les exposants de Lyapunov. Une autre approche plus analytique en utilisant la matrice de
Oseledec a t prsente par Abarbanel et al. [ABK91]. Gnralement on part avec lhypothse dun systme
avec une dimension d de lespace de phase et un ensemble de vecteurs de donnes de la mme dimension d :
y (t = t
0
+nt) = y (n), chantillonns aux instants t = t
0
+ nt. En plus, on considre que la dynamique
du systme en temps discret est donne par :
y (n + 1) = F(y (n)) (A.2)
Ainsi une petite perturbation z (n) va voluer en accord avec la dynamique linarise du systme :
z (n + 1) = DF(y(n)) z (n) (A.3)
o DF(x) est le Jacobien de dimension d d :
DF(x)
n,k
=
F(x)
n
x
k
, n, k = 1, 2, ..., d
151
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
ANNEXE A. EXPOSANTS DE LYAPUNOV 152
La perturbation initiale z (n) va voluer aprs L tapes sous la forme suivante :
z (n +L) = DF(y (n +L 1)) z (n +L 1)
= DF(y (n +L 1)) DF(y(n +L 2)) ... DF(y (n)) z (n)
= DF
L
(y(n)) z (n) (A.4)
o la matrice DF
L
(y (n)) est dnie par :
DF
L
(y (n)) =
L1

i=0
DF(y (n +i))
Par la suite en dnissant les matrices :
OSL(L, x) =
_
DF
L
(x)
_
DF
L
(x)
_
T
_
1/2L
(A.5)
OSL(x) = lim
L
OSL(L, x) (A.6)
Osedelec a dmontr que la limite donne par la matrice OSL(x) de dimension d d existe. En plus,
les valeurs propres de la matrice, dsignes par exp (
i
) , i = 1, 2, ..., d sont indpendantes de x, pour tout
x situ dans le mme bassin dattraction. Ainsi il est facile reconnatre que les valeurs
i
dnies de telle
faon reprsentent une gnralisation des exposants de stabilit Lyapunov pour un point xe x.
Quelques proprits importantes associes aux systmes dynamiques peuvent tre ainsi caractrises :
premirement, comme on a dj prsent dans le chapitre destin aux systmes chaotiques, lexistence
de lattracteur est li directement lide que le systme doit tre dissipatif, condition quivalente avec
la ngativit de la somme des exposants Lyapunov :

d
i=1

i
< 0
lexposant le plus grand gouverne lvolution long terme du systme dynamique et donne ainsi des
limites quantitatives sur la predictibilit de son volution
la dnition dun systme chaotique est lie directement lexistence dun exposant Lyapunov positif
lentropie qui mesure le taux global de divergence des trajectoires est gal la somme des exposants
positifs de Lyapunov :
K =
n

i=1

i
,
1
...
n
> 0
n+1
...
d
(A.7)
calcul de la dimension de Kaplan-Yorke [GP83c] :
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
ANNEXE A. EXPOSANTS DE LYAPUNOV 153
D
KY
= j +

j
i=1

i
[
j+1
[
(A.8)
o j est tel que

j
i=1

i
> 0 et

j+1
i=1

i
< 0.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Annexe B
Formulation du Filtre de Kalman Etendu
(EKF)
Cette annexe est ralise sous la forme dun complment lintroduction du ltre de Kalman Etendu
dj prsente succinctement dans le chapitre 2. Dans ce chapitre ont t introduites les relations de base
qui forment lalgorithme rcursif de ltrage, mais aucun dtail na t donn sur les quations de mise jour
temporellle et de mise jour lissue dobservations.
On part de lide que le calcul rcursif de la statistique susante reprsente par la moyenne et la variance
conditionnelle dans le cas linaire Gaussien est la plus simple mthode destimation dtat [BSL93]. Alors il
est sohaitable dobtenir une structure similaire dans le cas non-linaire ; un tel estimateur est dnomm ltre
de Kalman tendu, pour sa similarit avec le ltre de Kalman classique.
Le modle employ pour la dduction considre le cas gnral donn par le systme dquations (2.1) dont
les bruits additifs v
k
, n
k
sont considrs centrs, gaussiens et avec une inter-corrlation nulle (eq. 2.2).
Comme dans le cas linaire on doit alors estimer linstant k :
une approximation de la moyenne conditionnelle : x
k]k
E
_
x
k
[Y
k

la matrice de covariance associe : P


k]k
B.1 Etape de mise jour temporelle
Pour obtenir ltat prdit x
k+1]k
la fonction non-linaire associe lquation de processus sera dveloppe
en srie de Taylor autour du dernier tat estim x
k]k
avec les termes jusquau premier ou deuxime ordre
selon lordre condisr du ltre, respectivement :
154
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
ANNEXE B. FORMULATION DU FILTRE DE KALMAN ETENDU (EKF) 155
x
k+1
= f
_
x
k]k
_
+f
x
(k)
_
x
k
x
k]k
_
+
1
2
nx

i=1
e
i
_
x
k
x
k]k
_
T
f
i
xx
(k)
_
x
k
x
k]k
_
+HOT +v
k
(B.1)
o e
i
est le i-me vecteur de base Cartsien, de dimension n
x
(la i-me composante unit et le reste zro),
f
x
(k)
x
f [
x
k|k
(B.2)
est le Jacobien de la fonction f () value en x
k]k
,
f
i
xx
(k)
x

T
x
f
i

x
k|k
(B.3)
est le Hessien de la i-me composante de f () et HOT reprsente les termes dordre suprieur qui seront
ngligs par la suite.
Sous cette forme ltat prdit linstant k +1 partir de ltat estim linstant k est obtenu en prenant
lesprance mathmatique de (B.1) (on nglige les termes dordre suprieur :
x
k+1]k
= f
_
x
k]k
_
+
1
2
nx

i=1
e
i
tr
_
f
i
xx
(k) P
k]k

(B.4)
Lerreur de prdiction de ltat est obtenue par la soustraction de (B.1) de lquation (B.4), et obtenir :
x
k+1]k
= f
x
(k) x
k]k
+
1
2
nx

i=1
e
i
_
x
T
k]k
f
i
xx
(k) x
k]k
tr
_
f
i
xx
(k) P
k]k

_
+v
k
(B.5)
En multipliant ce vecteur par son transpos et en prenant par la suite lesprance mathmatique, on
obtient la valeur de la covariance des erreurs prdite [BSL93] :
P
k+1]k
= f
x
(k) P
k]k
f
T
x
(k) +
1
2
nx

i=1
nx

j=1
e
i
e
T
j
tr
_
f
i
xx
(k) P
k]k
f
j
xx
(k) P
k]k

+Q (B.6)
Il faut mentionner que la relation qui donne ltat prdit inclue un terme dordre deux, appel terme de
correction, sera nglig dans la cas o la solution de ltrage EKF premier ordre est considre. De mme
lexpression de la covariance des erreurs prdite (eq. B.8) contient un terme dordre quatre qui sera aussi
nglig dans le cas du EKF au premier ordre. On remarque de mme que la version EKF au premier ordre du
ltre est similaire au ltrage linaire, o dans ce cas le Jacobien f
x
(k) joue le rle de matrice de transition.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
ANNEXE B. FORMULATION DU FILTRE DE KALMAN ETENDU (EKF) 156
B.2 Etape de mise jour par des observations
De faon similaire, on obtient les relations suivantes pour ltat observ et la covariance des erreurs
prdites :
y
k+1]k
= h
_
x
k+1]k
_
+
1
2
nx

i=1
e
i
tr
_
h
i
xx
(k) P
k+1]k

(B.7)
S
k+1
= h
x
(k) P
k+1]k
h
T
x
(k) +
1
2
nx

i=1
nx

j=1
e
i
e
T
j
tr
_
h
i
xx
(k) P
k+1]k
h
j
xx
(k) P
k+1]k

+R (B.8)
o
h
x
(k)
x
h[
x
k+1|k
(B.9)
est le Jacobien de la fonction h() value en x
k+1]k
, et o
h
i
xx
(k)
T
x

x
h
i

x
k+1|k
(B.10)
est le Hessien de la i-me composante de h().
Comme dans ltape de mise jour temporelle les termes de correction dans lexpression de ltat et de
la covariance sont ngligs pour le EKF au premier ordre. Dans ce cas le Jacobien h
x
(k) joue aussi le rle
correspondant de matrice de mesure. Par la suite lexpression du gain du ltre, ainsi que les quations de
mise jour de ltat et de la covariance estimes sont identiques au cas linaire :
K
k+1
= P
k+1]k
h
T
x
(k) S
1
k+1
x
k+1]k+1
= x
k+1]k
+K
k+1
_
y
k+1
y
k+1]k
_
P
k+1]k+1
= P
k+1]k
K
k+1
S
k+1
K
T
k+1
(B.11)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Annexe C
Complments sur la Transformation
Polynomiale Exacte
Dans le chapitre 3, la transformation polynomiale exacte a t introduite comme une mthode de calcul
de la statistique issue de la transformation dune v.a. x par une fonction polynomiale : f(x) =

N
n=0
a
n
x
n
.
Comment il a t dj prouv les moments dordre un et deux de la v.a. y peuvent tre dtermins laide
des relations matricielles. Au moment o ces relations ont t introduites nous nous sommes volontairement
limits un dveloppement analytique concis pour viter dalourdir le chapitre. Cette annexe a comme but
de complter ces relations en dmontrant pas pas les tapes successives qui ont men ces rsultats.
Ainsi, pour le calcul de la valeur moyenne de la v.a. y, partir de la relation (3.4) qui prsente le
dveloppement en srie de Taylor applique la v.a. y, on obtient :
y = E [y]
= f ( x) +
N

n=2
E [(x)
n
]
n!
d
n
f
dx
n

x= x
= f ( x) +
N

n=2
m
n
n!
d
n
f
dx
n

x= x
(C.1)
o m
n
dsigne le moment centr dordre n pour la v.a. x.
Lexpression des drives (3.6) est obtenue de la manire suivante :
d
n
f
dx
n
=
N

i=0
a
i
d
n
dx
n
_
x
i
_
157
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
ANNEXE C. COMPLMENTS SUR LA TRANSFORMATION POLYNOMIALE EXACTE 158
=
N

i=n
a
i
_
_
i

j=in+1
j
_
_
x
in
=
N

i=n
a
i
i!
(i n)!
x
in
(C.2)
Avec les notations des moments m
0
= 1, et m
1
= E [x] = 0, le dveloppement nal est obtenu :
y =
N

n=0
m
n
n!
N

i=n
a
i
i!
(i n)!
x
in
=
N

n=0
m
n
N

i=n
a
i
C
n
i
x
in
(C.3)
avec son quivalent matriciel :
y = a
T
0:N
C
x
m
0:N
(C.4)
Pour lexpression du moment dordre deux, en utilisant le mme dveloppement en srie de Taylor, on
obtient :

2
y
= E
_
(y y)
2
_
= E
_
_
_
f ( x) +
N

n=1
(x)
n
n!
d
n
f
dx
n

x= x
f ( x)
N

n=2
m
n
n!
d
n
f
dx
n

x= x
_
2
_
_
= E
_
_
_
x
df
dx

x= x
+
N

n=2
(x)
n
m
n
n!
d
n
f
dx
n

x= x
_
2
_
_
= E
_
_
x
df
dx

x= x
_
2
_
+ 2E
_
_
x
df
dx

x= x
_

_
N

n=2
(x)
n
m
n
n!
d
n
f
dx
n

x= x
__
+...
E
_
_
_
N

n=2
(x)
n
m
n
n!
d
n
f
dx
n

x= x
_
2
_
_
(C.5)
En utilisant le moment centr dordre n lquation ci-dessus prsente peut tre mise sous la forme
suivante :

2
y
= m
2
_
df
dx
_
2

x= x
+ 2
N

n=2
E
_
(x)
n+1
_
n!
df
dx
d
n
f
dx
n

x= x
2E[x]
N

n=2
m
n
n!
df
dx
d
n
f
dx
n

x= x
+...
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
ANNEXE C. COMPLMENTS SUR LA TRANSFORMATION POLYNOMIALE EXACTE 159
E
_
N

n=2
N

k=2
_
(x)
n
m
n
n!
d
n
f
dx
n

x= x
_

_
(x)
k
m
k
k!
d
k
f
dx
k

x= x
__
= m
2
_
df
dx
_
2

x= x
+ 2
N

n=2
m
n+1
n!
df
dx
d
n
f
dx
n

x= x
+
N

n=2
N

k=2
E
_
((x)
n
m
n
)
_
(x)
k
m
k
__
n! k!
d
n
f
dx
n
d
k
f
dx
k

x= x
= m
2
_
df
dx
_
2

x= x
+ 2
N

n=2
m
n+1
n!
df
dx
d
n
f
dx
n

x= x
+...
N

n=2
N

k=2
E
_
(x)
n+k
_
m
n
E
_
(x)
k
_
m
k
E [(x)
n
] +m
n
m
k
n! k!
d
n
f
dx
n
d
k
f
dx
k

x= x
= m
2
_
df
dx
_
2

x= x
+ 2
N

n=2
m
n+1
n!
df
dx
d
n
f
dx
n

x= x
+
N

n=2
N

k=2
m
n+k
m
n
m
k
n! k!
d
n
f
dx
n
d
k
f
dx
k

x= x
(C.6)
En utilisant les mmes hypothses sur les moments m
0
et m
1
la relation (C.6) peut tre crite :

2
y
=
N

n=1
N

k=1
m
n+k
m
n
m
k
n! k!
d
n
f
dx
n
d
k
f
dx
k

x= x
(C.7)
De la mme faon pour les drives on obtient :
1
n! k!
d
n
f
dx
n
d
k
f
dx
k
=
_
N

i=n
a
i
i!
n!(i n)!
x
in
_
_
_
N

j=k
a
j
j!
k!(j k)!
x
jk
_
_
=
N

i=n
N

j=k
a
i
a
j
C
n
i
C
k
j
x
i+jnk
(C.8)
Par la suite avec les mmes notations matricielles que celles prsentes dj dans le chapitre 3 la relation
(C.7) devient :

2
y
=
N

n=1
N

k=1
(m
n+k
m
n
m
k
)
_
a
T
1:N
C
x
n,k
a
1:N
_
(C.9)
A partir de lquation (C.9) on obtient la relation nale matricielle pour le moment dordre 2 de la v.a.
y :

2
y
= 1
1N
_
/(
x
_
1
N1
m
T
1:N
(
x
m
1:N
(C.10)
Une dernire expression est obtenue pour la covariance de transition P
xy
entre les variables x et y :
P
xy
= E [(x x) (y y)]
= E [x y] E [x y]
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
ANNEXE C. COMPLMENTS SUR LA TRANSFORMATION POLYNOMIALE EXACTE 160
= E
_
x
_
f ( x) +
N

n=1
(x)
n
n!
d
n
f
dx
n

x= x
__
= E [x f ( x)] +E
_
N

n=1
(x)
n+1
n!
d
n
f
dx
n

x= x
_
=
N

n=1
m
n+1
N

i=n
a
i
C
n
i
x
in
(C.11)
et en consquence avec les mmes notations utilises antrieurement lexpression nale matricielle est
obtenue :
P
xy
= a
T
0:N
C
x
m
1:N+1
(C.12)
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Liste de publications
Publications dans des revues avec comit de lecture
M. B. Luca, S. Azou, G. Burel et A. Serbanescu, "On Exact Kalman Filtering of Polynomial Systems",
IEEE Trans. Circuits & Syst. I, Vol. 53, No. 6, pp. 1329-1340, June 2006.
Confrences internationales
S. Azou, M. B. Luca et G. Burel, "Automatic Gain Control in a Kalman Filter Based Synchronization
Chaotic Receiver," IEEE Communications 2004, Bucharest, Romania, June 3-5, 2004.
M. B. Luca, A. Serbanescu, S. Azou et G. Burel, "A New Compression Method using a Chaotic
Symbolic Approach," IEEE Communications 2004, Bucharest, Romania, June 3-5, 2004.
M. B. Luca, S. Azou, G. Burel et A. Serbanescu, "A Complete Receiver Solution for a Chaotic Direct
Sequence Spread Spectrum Communication System," IEEE Int. Symp. on Circ. and Syst. (IEEE
ISCAS), Kobe, Japan, May 2005.
S. Azou, M. B. Luca, G. Burel et A. Serbanescu, "Multipath Combining in Chaotic Direct-Sequence
Spread Spectrum Communications through Dual Estimation," Proc. IEEE OCEANS 05 Europe, Brest,
FRANCE, June 20-23.
M. B. Luca, S. Azou, E. Hodina, A. Serbanescu and G. Burel, "Pseudo-Blind Demodulation of Chaotic
DS-SS Signals through Exact Kalman Filtering," IEEE Communications 2006, Bucharest, Romania,
June 2006.
161
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Bibliography
[ABK91] H. D. I. Abarbanel, R. Brown, and M. B. Kennel. Lyapunov exponents in chaotic sytems:
their importance and their evaluation using observed data. Int. J. of Modern Physics B,
5(9):13471375, 1991.
[Abr63] N. Abramson. Information Theory and Coding. McGraw-Hill, 1963.
[AF04] P. R. Atkins and A. J. Fenwick. Chaotic signals in a multipath channel. In Proc. of the Inst.
of Acoustics and Sonar Signal Processing, volume 26, 2004.
[ALBS04] S. Azou, M. B. Luca, G. Burel, and A. Serbanescu. Automatic gain control in a kalman
lter based synchronization chaotic receiver. In Proc. IEEE-Communications 2004, Bucharest,
Romania, June 2004.
[ALBS05] S. Azou, M. B. Luca, G. Burel, and A. Serbanescu. Multipath combining in chaotic direct-
sequence spread spectrum communications through dual estimation. In Proc. IEEE OCEANS
Europe, Brest, France, June 2005.
[AM79] B. Anderson and J. Moore. Optimal Filtering. Prentice-Hall, 1979.
[AMGC02] M. Arulampalam, S. Maskell, N. Gordon, and T. Clapp. A tutorial on particle lters for online
nonlinear/non-gaussian bayesian tracking. IEEE Trans. Signal Processing, 50(2):174189, Feb.
2002.
[APB02] S. Azou, C. Pistre, and G. Burel. A chaotic direct sequence spread-spectrum system for
underwater communication. In IEEE-Oceans02, Biloxi, USA, Oct. 2002.
[APDB03] S. Azou, C. Pistre, L. Le Du, and G. Burel. Sea trial results of a chaotic direct-sequence
spread spectrum underwater communication system. In IEEE-OCEANS03, San Diego, CA,
USA, Sept. 2003.
[AS72] D. L. Alspach and H. W. Sorenson. Nonlinear bayesian estimation using gaussian sum ap-
proximation. IEEE Trans. Automat. Contr., 17(4):439448, 1972.
162
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 163
[ASL
+
05] A. Argyris, D. Syvridis, L. Larger, V. Annovazzi-Lodi, P. Colet, I. Fischer, J. Garcia-Ojalvo,
C. R. Mirasso, L. Pesquera, and K. Alan Shore. Chaos-based communications at high bit rates
using commercial bre-optic links. Nature, 437/17:343346, Nov. 2005.
[AVR83] V. S. Afraimovich, N. N. Verochev, and M. I. Rabinovich. Stochastic synchronization of
oscillations in dissipative systems. Radio Phys. and Quantum Electron., 29:795803, 1983.
[BAB04] C. Bouder, S. Azou, and G. Burel. Performance analysis of a spreading sequence estimator
for spread spectrum transmissions. Journal of the Franklin Institute, 341:595614, 2004.
[Bap98] M. S. Baptista. Cryptography with chaos. Phys. Rev. A, 240:5054, 1998.
[Bas03] M. V. Basin. On optimal ltering for polynomial system states. J. of Dynamic Systems,
Measurement, and Control, 125(1):123125, March 2003.
[BC93] Bradley M. Bell and Frederick W. Cathey. The iterated kalman lter update as a gauss-newton
method. IEEE Trans. Automat. Contr., 38(2):294297, Feb. 1993.
[BDR02] M. Boutayeb, M. Darouach, and H. Rafaralahy. Generalized state space observers for chaotic
synchronization and secure communication. IEEE Trans. Circuits Syst. I, 49(3):345349, 2002.
[Ben81] V. E. Benes. Exact nite-dimensional lters for certain diusions with nonlinear drift. Stochas-
tics, 5:6592, 1981.
[BG97] A. Boyarsky and P. Gora. Laws of Chaos: Invariant Measures and Dynamical Systems in One
Dimension. Birkhauser, 1997.
[BG03] Craig S. Brown and Thomas A. Grate. Arithmetic coding and decoding methods and related
systems. Technical report, Microsoft Corporation, 5 2003. U.S. Patent 6,560,368.
[BJ93] E. H. Baghious and P. Jarry. "lorenz attractor" from dierential eqations with piecewise-linear
terms. Int. J. of Bifurcation & Chaos (IJBC), 3(1):201210, 1993.
[BM01] L. Brunel and D. Mottier. Iterative interference cancellation scheme with pilot-aided space-
time estimation in ds-cdma systems. In Proc. Vehicular Technology Conference, pages 197
201, 2001.
[BPV84] P. Berg, Y. Pomeau, and Ch. Vidal. LOrdre dans le Chaos. Hermann, 1984.
[BSL93] Y. Bar-Shalom and X.-R. Li. Estimation and Tracking - Principles, Techniques and Software.
Artech House, 1993.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 164
[BSSP02] F. Blackmon, E. Sozer, M. Stojanovic, and J. Proakis. Performance comparison of rake and hy-
pothesis feedback direct sequence spread spectrum techniques for underwater communication
applications. In Proc. IEEE OCEANS02 Conference, Oct. 2002.
[CD02] D. Crisan and A. Doucet. A survey of convergence results on particle ltering methods for
practitioners. IEEE Trans. Signal Processing, 50(3):736746, March 2002.
[CL05] T.-I. Chen and T.-L. Liao. Design of secure digital communication systems using chaotic
modulation, cryptography and chaotic synchronization. Chaos, Solitons and Fractals, 24:241
255, 2005.
[CN00] C. Cruz and H. Nijmeijer. Synchronization through ltering. Int. J. of Bifurcation & Chaos
(IJBC), 10(4):763775, 2000.
[COS93] K. M. Cuomo, A. V. Oppenheim, and S. H. Strogratz. Synchronization of lorenz-based chaotic
circuits with application to communication. IEEE Trans. Circuits Syst. II, 40(10):626633,
1993.
[CYKB01] C.-C. Chen, K. Yao, K. Umeno K., and E. Biglieri. Design of chaotic spread spectrum sequences
using ergodic theory. IEEE Trans. Circuits Syst. I, 48(9):11101114, Sept. 2001.
[Dau88] F. Daum. Bayesian Analysis of Time Series ans Dynamical Models, chapter New exact non-
linear lters, pages 199226. Marcel Dekker, Inc., 1988.
[DKH93] H. Dedieu, M. P. Kennedy, and M. Hasler. Chaos shift keying: Modulation and demodulation
of chaotic carrier using self-synchronizing chuas circuit. IEEE Trans. Circuits Syst. II, 40:634
642, Oct. 1993.
[DvdV04] Q. H. Dang and A-J. van der Veen. A low-complexity blind multiuser receiver for long-code
cdma. EURASIP Journal on Wireless Communications and Networking, 1:113122, 2004.
[EC91] T. Endo and L. O. Chua. Synchronizing chaos from electronic phase-locked loops. Int. J. of
Bifurcation & Chaos (IJBC), 1(3):701710, Spet. 1991.
[Fan49] R. M. Fano. Transmission of information. M.I.T. Press, 1949.
[FD03] B. P. Flanagan and J. Dunyak. A steady state decoupled kalman lter technique for multiuser
detection. Technical report, The MITRE Corporation, Sept. 2003.
[Fow89] T. B. Fowler. Application of stochastic control techniques to chaotic non-linear systems. IEEE
Trans. Automat. Control, 34:201205, Feb. 1989.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 165
[FSSJ01] L. Freitag, M. Stojanovic, S. Singh, and M. Johnson. Analysis of channel eects on direct-
sequence and frequency-hopped spread-spectrum acoustic communication. IEEE J. Oceanic
Eng., 26(4):586593, 2001.
[Gal78] R. G. Gallager. Variations on a theme by human. IEEE Trans. Inform. Theory, 24(6):668
674, 1978.
[GDPX03] H. Gerlach, D. Dahlhaus, M. Pesce, and W. Xu. Joint kalman channel estimation and equal-
ization for the umts fdd downlink. In Proc. Vehicular Technology Conference, pages 197 201,
2003.
[Gel80] A. Gelb. Applied Optimal Estimation. The M.I.T. Press, 1980.
[GL00] John B. Groe and Lawrence E. Larson. CDMA Mobile Radio Design. Artech House, 2000.
[GP83a] P. Grassberger and I. Procaccia. Characterization of strange attractors. Phys. Rev. Lett.,
50:346349, 1983.
[GP83b] P. Grassberger and I. Procaccia. Estimation of the kolmogorov entropy from a chaotic signal.
Phys. Rev. A, 28:25912593, 1983.
[GP83c] P. Grassberger and I. Procaccia. Measuring the strangeness of strange attractors. Physica D,
9:189208, 1983.
[GRL99] D. Guo, L. K. Rasmunsen, and T. J. Lim. Linear parallel interference cancellation in long-code
cdma multiuser detection. IEEE Journal on Selected Areas in Communications, 17(12):2074
2081, Dec. 1999.
[GSS93] N. J. Gordon, D. J. Salmond, and A. F. M. Smith. Novel approach to nonlinear/non-gaussian
bayesian state estimation. Proc. Inst. Elect. Eng. F, 140:107113, 1993.
[Has97] M. Hasler. Current problems for the transmission of information using a chaotic signal. In 1st
Int. Conf. on Control of Oscillations and Chaos, 1997.
[Has98] M. Hasler. Synchronization of chaotic systems and transmission of information. Int. J. of
Bifurcation & Chaos (IJBC), 8(4):647659, 1998.
[HBM94] G. Heidari-Bateni and C. D. McGillem. A chaotic direct-sequence spread-spectrum communi-
cation system. IEEE Trans. on Communications, 42(2):15241527, 1994.
[HS01] M. Hassler and Thomas Schimming. Communications using chaos. In Int. Conf. on Signals
and Electronic Systems, 2001.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 166
[Huf52] D. A. Human. A method for the construction of minimum-redundancy codes. Proc. IRE,
40(9):10981101, 1952.
[HYKY03] L. Hanzo, L-L. Yang, E-L. Kuan, and K. Yen. Single and Multi-Carrier DS-CDMA: Multi-User
Detection, Space-Time Spreading, Synchronisation, Networking and Standards. Wiley-IEEE
Press, 2003.
[Ilt94] R. A. Iltis. An ekf-based joint estimator for interference, multipath, and code delay in a ds
spread-spectrum receiver. IEEE Trans. on Commun., 42:12881299, 1994.
[IX00] K. Ito and K. Xiong. Gaussian lters for nonlinear ltering problems. IEEE Trans. Automat.
Control, 45(5):910927, May 2000.
[JK01] G. Jakimoski and L. Kocarev. Chaos and cryptography: Block encryption ciphers based on
chaotic maps. IEEE Trans. Circuits Syst. I, 48:163169, 2001.
[JU97] S. J. Julier and J. K. Uhlmann. A new extension of the kalman lter to nonlinear systems.
Proc. SPIE-Int. Soc. Opt. Eng., 3068:182193, 1997.
[JUDW00] S. Julier, J. Uhlmann, and H. F. Durrant-Whyte. A new method for the nonlinear transfor-
mation of means and covariances in lters and estimators. IEEE Trans. Automat. Control,
45(3):477482, 2000.
[Kal60] R. E. Kalman. A new approach to linear ltering and prediction problems. ASME. Journal
of Basic Engineering, 82:3545, 1960.
[KD93] M. P. Kennedy and H. Dedieu. Experimental demonstration of binary chaos shift keying using
self-synchronizing chuas circuit. IEEE Int. Specialist Workshop on Nonlinear Dynamics of
Electronic Systems, pages 6772, 1993.
[Ken94] M. P. Kennedy. Basic concepts of nonlinear dynamics and chaos. Tutorials (IEEE), pages
289313, 1994.
[KFSW02] C. Komninakis, C. Fragouli, A. H. Sayed, and R. D. Wesel. Multi-input multi-output fading
channel tracking and equalization using kalman estimation. IEEE Trans. Signal Processing,
50(5):10651076, May 2002.
[KHE
+
92] L. Kocarev, K. S. Halle, K. Eckert, L. O. Chua, and U. Parlitz. Experimental demonstration
of secure communication via chaotic synchronization. Int. J. of Bifurcation & Chaos (IJBC),
2:709713, 1992.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 167
[KKC97] G. Kolumban, M. P. Kennedy, and L. O. Chua. The role of synchronization in digital commu-
nications using chaos - part i: Fundamentals of digital communications. IEEE Trans. Circuits
Syst. I, 44(10):927936, Oct. 1997.
[KKC98] G. Kolumban, M. P. Kennedy, and L. O. Chua. The role of synchronization in digital commu-
nications using chaos - part ii: Chaotic modulation and chaotic synchronization. IEEE Trans.
Circuits Syst. I, 45(11):11291140, Nov. 1998.
[KKJK98] G. Kolumban, G. Kis, Z. Jako, and M. P. Kennedy. Fm-dcsk: A robust modulation scheme
for chaotic communications. IEICE Trans. Fundamentals of Electronics, Communications and
Computer Sciences, E81-A(9):17981802, Sept. 1998.
[KKK97] G. Kolumban, M. P. Kennedy, and G. Kis. Performance improuvement of chaotic commu-
nications systems. In Proc. European Conf. on Circuit Theory and Design, pages 284289,
1997.
[KNYC00] J. Kraus, J. A. Nossek, T. Yang, and L. O. Chua. Evaluation of a continous valued chaotic
spreader used in a chaotic digital code-division multiple access ((cd)2ma) system. Int. J. of
Bifurcation & Chaos (IJBC), 10(8):19331950, 2000.
[KP95] L. Kocarev and U. Parlitz. General approach for chaotic synchronization with application to
communication. Phys. Rev. Lett., 74(25):50285031, 1995.
[KPIL02] S. Kim, T. Pals, R. A. Iltis, and H. Lee. Cdma multipath channel estimation using gener-
alized successive interference cancellation algorithm for radiolocation. In Proc. 37th Annual
Conference on Information Sciences and Systems, 2002.
[Kra99] R. L. Kraft. Chaos, cantor sets, and hyperbolicity for the logistic maps. Am. Math. Mon.,
106:400408, 1999.
[KT94] T. Kohda and A. Tsuneda. Even- and odd-correlation functions of chaotic chebyshev bit
sequences for cdma. In Proc. IEEE Int. Symp. Spread Spectrum Techniques and Applications,
1994.
[LABS05] M. B. Luca, S. Azou, G. Burel, and A. Serbanescu. A complete receiver solution for a chaotic
direct sequence spread spectrum communication system. In Proc. IEEE Int. Symp. on Circ.
and Syst. (IEEE ISCAS), Kobe, Japan, May 2005.
[LABS06] M. B. Luca, S. Azou, G. Burel, and A. Serbanescu. On exact kalman ltering of polynomial
systems. IEEE Trans. Circuits Syst. I, 53(6):13291340, June 2006.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 168
[LAH
+
06] M. B. Luca, S. Azou, E. Hodina, A. Serbanescu, and G. Burel. Pseudo-blind demodulation
of chaotic ds-ss signals through exact kalman ltering. In Proc. IEEE-Communications 2006,
Bucharest, Romania, May 2006.
[LBS04] T. Lefebvre, H. Bruyninckx, and J. De Schutter. Kalman lters for nonlinear systems: a
comparison of performance. The International Journal of Control, 77(7):639653, May 2004.
[LH] Debra A. Lelewer and Daniel S. Hirschberg. Data Compression.
[LL97] H. Leung and J. Lam. Design of demodulator for the chaotic modulation communication.
IEEE Trans. Circuits Syst. I, 44:262267, 1997.
[LL01] H. Leung and J. Lam. Adaptive blind eqalization for chaotic communication systems using
extended kalman lter. IEEE Trans. Circuits Syst. I, 48:979989, Aug. 2001.
[LLHR03] A. Lakhzouri, E. S. Lohan, R. Hamila, and M. Renfors. Extended kalman lter channel
estimation for line-of-sight detection in wcdma mobile positioning. EURASIP Journal on
Wireless Communications and Networking, 13:12681278, 2003.
[LM98] J. S. Lee and L. E. Miller. CDMA systems engineering handbook. Artech House, 1998.
[LMG02] Z. Liu, X. Ma, and G. B. Giannakis. Space-time coding and kalman ltering for time-selective
fading channels. IEEE Trans. Communications, 50(2):183186, Feb. 2002.
[Lor63] E. N. Lorenz. Deterministic nonperodic ow. J. Atmos. Sci., 20:130141, 1963.
[LSAB04] M. B. Luca, A. Serbanescu, S. Azou, and G. Burel. A new compression method using a chaotic
symbolic approach. In IEEE-Communications, 2004.
[LTYH04] F. C. M. Lau, C. K. Tse, M. Ye, and S. F. Hau. Co-existence of chaos-based and conventional
communication systems of equal bit rate. IEEE Trans. Circuits Syst. I, 51(2):391408, Feb.
2004.
[Luc03] M. B. Luca. Synchronisation dun rcepteur numrique de signaux spectre etal par code
chaotique. Technical report, Universit de Bretagne Occidentale & ENSIETA, July 2003.
[LZ01] H. Leung and Z. Zhu. Performance evaluation of ekf-based chaotic synchronization. IEEE
Trans. Circuits Syst. I, 48(9):11181125, Sept. 2001.
[LZD00] H. Leung, Z. Zhu, and Z. Ding. An aperiodic phenomenon of the extended kalman lter in
ltering noisy chaotic signals. IEEE Trans. Signal Processing, 48(6):18071810, June 2000.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 169
[MB04] S. Mandal and S. Banerjee. Analysis and cmos implementation of a chaos based communication
system. IEEE Trans. Circuits Syst. I, 51(9):17081722, Sept. 2004.
[MGL02] E. N. Macau, C. Grebogi, and Y.-C. Lai. Active synchronization in nonhyperbolic hyperchaotic
systems. Physical Review E, 65:art. no. 027202, 2002.
[MRS91] P. Del Moral, G. Rigal, and G. Salut. Estimation et commande optimale non-linaire : Un
cadre uni pour la resolution particulaire. Technical Report 91137, LAAS-CNRS, April 1991.
[MS03] A. R. Margetts and P. Schniter. Adaptive inter-chip interference cancellation of multirate
scrambled cdma downlink. In Proc. of the Annual Allerton Ccong. on Comm. Control and
Computing, volume 41, pages 18091810, 2003.
[MSR97] G. Mazzini, G. Setti, and R. Rovatti. Chaotic complex spreading sequences for asynchronous
ds-cdma - part i: System modeling and results. IEEE Trans. Circuits Syst. I, 44(10):937947,
Oct. 1997.
[MSR99] G. Mazzini, G. Setti, and R. Rovatti. Interference minimisation by autocorrelation shaping in
asynchronous ds-cdma systems: Chaos-based spreading is nearly optimal. Electronics Letters,
35(13):10541055, Jun. 1999.
[NPR00a] M. Norgaard, N. Poulsen, and O. Ravn. Advances in derivative-free state estimation for non-
linear systems. Technical report, Dept. of Mathematical Modelling, Technical University of
Danemark, April 2000.
[NPR00b] M. Norgaard, N. Poulsen, and O. Ravn. New developments in state estimation for non-linear
systems. Automatica, 36(11):16271638, Nov. 2000.
[Ogo93] M. J. Ogorzalek. Taming chaos - part i: Synchronization. IEEE Trans. Circuits Syst. I,
40(10):693699, Oct. 1993.
[OWIC92] A. V. Openheim, G. W. Wornell, S. H. Isabelle, and K. M. Cuomo. Signal processing in the
context of chaotic signals. In IEEE ICASP, 1992.
[PC90] L. Pecora and T. Carroll. Synchronization in chaotic systems. Phys. Rev. Lett., 64:821823,
1990.
[PC00] L. M. Pecora and T. L. Carroll. Detecting chaotic drive-response geometry in generalized
synchronization. Int. J. of Bifurcation & Chaos (IJBC), 10(4):875889, 2000.
[PCJ
+
97] L. M. Pecora, T. L. Caroll, G. A. Johnson, D. J. Mar, and J. F. Heagy. Fundamentals of
synchronization in chaotic systems, concepts, and applications. Chaos, 7(4):520543, 1997.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 170
[PG56] R. Price and P. Green. A communication technique for multipath channels. Proc. IRE,
46:555570, Mar. 1956.
[Pro95] J. G. Proakis. Digital Communications. McGraw-Hill, 3 edition, 1995.
[PSM82] R. L. Pickholtz, D. L. Schilling, and L. B. Milstein. Theory of spread-spectrum communica-
tions: A tutorial. IEEE Trans. on Communications, COM-30(5):822854, May 1982.
[Ris76] J. J. Rissanen. Generalized kraft inequality and arithmetic coding. IBM J. Res. Dev., 20:198
203, 1976.
[Riv90] T. J. Rivlin. Chebyshev Polynomials. Wiley, 1990.
[RMS00] R. Rovatti, G. Mazzini, and G. Setti. Interference bounds for ds-cdma systems based on
chaotic piecewise-ane markov maps. IEEE Trans. Circuits Syst. I, 47(6):885895, Jun. 2000.
[RPK97] M. G. Rosenblum, A. S. Pikovsky, and J. Kurths. Phase synchronization in driven and coupled
chaotic oscillators. IEEE Trans. Circuits Syst. I, 44(10):874881, Oct. 1997.
[RSM98] R. Rovatti, G. Setti, and G. Mazzini. Chaotic complex spreading sequences for asynchronous
ds-cdma - part i: Some theoretical performance bounds. IEEE Trans. Circuits Syst. I,
45(4):496504, April 1998.
[RSTA95] N. F. Rulkov, M. M. Sushchik, L. S. Tsimring, and H. D. I. Abarbanel. Generalized synchro-
nization of chaos in directionally coupled chaotic systems. Phys. Rev. E, 51(2):980993, Feb.
1995.
[RTA94] N. F. Rulkov, L. S. Tsimring, and H. D. I. Abarbanel. Tracking unstable orbits in chaos using
dissipative feedback control. Phys. Rev. E, 50(1):314324, July 1994.
[Rub79] F. Rubin. Arithmetic stream coding using xed precision registers. IEEE Trans. Inform.
Theory, 25:672675, 1979.
[Rul96] N. F. Rulkov. Images of synchronized chaos: Experiments with circuits. Chaos, 6(3):262279,
Sept. 1996.
[Sal89] G. Salut. Le thme non-linaire en automatique et traitement du signal. In Journes nationalles
du G.d.R. "Traitement du signal et images" du C.N.R.S., Chantilly, France, Sept. 1989.
[Say01] A. H. Sayed. A framework for state-space estimation with uncertain models. IEEE Trans.
Automat. Control, 46(7):9981013, July 2001.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 171
[SBAGAA00] M-R. Shikh-Bahaei, A. H. Aghvami, A. Ghorashi, and N. Ali-Akbarian. A statistical pro-
cessing approach to interference cancellation in w-cdma systems. IEEE Trans. Commun.,
E83-B(8):16191630, Aug. 2000.
[SC04] B. G. Saulson and K-C. Chang. Nonlinear estimation comparison for ballistic missile tracking.
Optical Engineering, 43(6):14241438, June 2004.
[Sch82] R. A. Scholtz. The origins of spread-spectrum communications. IEEE Trans. on Communi-
cations, COM-30(5):822854, May 1982.
[Sch95] J. Schweizer. A stochastic approach to spread spectrum communication using chaos. In Proc.
SPIE Chaotic Circuits for Communication, pages 115125, Oct. 1995.
[Sch97] T. S. Schei. A nite-dierence method for linearization in nonlinear estimation algorithms.
Automatica, 33(11):20532058, Nov. 1997.
[Ser97] A. Serbanescu. Electronique, physique et signal pour les telecommunications, chapter Systmes
et signaux face au chaos. Ed. Tehnica, 1997.
[Ser00] A. Serbanescu. Sisteme de transmisiuni integrate vol. 1 - Comunicatii de banda larga folosind
sisteme dinamice haotice. Ed. ATM, 2000.
[Ser04] A. Serbanescu. Dynamical systems - Applications in Communications. Ed. ATM, 2004.
[SF00] M. Stojanovic and L. Freitag. Hypothesis-feedback equalization for direct-sequence spread
spectrum underwater communications. In Proc. IEEE Oceans00 Conference, Sept. 2000.
[Sha48] C. E. Shannon. A mathematical theory of communication. The Bell System Technical Journal,
27:379423, 1948.
[SMRC02] G. Setti, G. Mazzini, R. Rovatti, and S. Callegari. Statistical modeling of discrete-time chaotic
processes: Basic nite-dimensional tools and applications. Proceedings of the IEEE, 90(5):662
690, May 2002.
[SOD93] P. So, E. Ott, and W. P. Dayawansa. Observing chaos. Phys. Rev. Lett. A, 176:421427, 1993.
[SOD94] P. So, E. Ott, and W. P. Dayawansa. Observing chaos: Deducing and tracking the state of a
chaotic system from limited observation. Phys. Rev. E, 49:26502660, 1994.
[SS01a] Jrg Schweizer and Thomas Schiming. Symbolic dynamics for processing chaotic signals-i:
Communication and coding. IEEE Trans. Circuits Syst. I, 48:12691282, 2001.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 172
[SS01b] Jrg Schweizer and Thomas Schiming. Symbolic dynamics for processing chaotic signals-ii:
Communication and coding. IEEE Trans. Circuits Syst. I, 48:12831295, 2001.
[SSKV02] A. Sitz, U. Schwarz, J. Kurths, and H. U. Voss. Estimation of parameters and unobserved
components for nonlinear systems from noisy time series. Phys. Rev. E, 66:art. no. 016210,
2002.
[SSP00] E. M. Sozer, M. Stojanovic, and J. G. Proakis. Underwater acoustic networks. IEEE J.
Oceanic Eng., 25(1):7283, 2000.
[ST98] D. J. Sobiski and J. S. Thorp. Pdma-1 : Chaotic communication via the extended kalman
lter. IEEE Trans. Circ. Systems I, 45(2):194197, 1998.
[Sto05] M. Stojanovic. An adaptive algorithm for dierentially coherent detection in the presence of
intersymbol interference. IEEE Journal on Selected Areas in Communications, 23(9):1884
1890, Sept. 2005.
[Tab89] M. Tabor. Chaos and Integrability in Nonlinear Dynamics: An Introduction. Wiley, 1989.
[TLT04] W. M. Tam, F. C. M. Lau, and C. K. Tse. A multiple acces scheme for chaos-based dig-
ital communication systems utilizing transmitted reference. IEEE Trans. Circuits Syst. I,
51(9):18681978, Sept. 2004.
[TP97] M. K. Tsatsanis and G. B. Proakis. Blind estimation of direct sequence spread spectrum
signals in multipath. IEEE Trans. Signal Processing, 45(5):12411252, 1997.
[TS03] D. Tenne and T Singh. The higher order unscented lter. Proc. Amer. Control Conf., 3:2441
2446, 2003.
[TSS05] A. Tarighat, A. Subramanian, and A. H. Sayed. An uplink ds-cdma receiver using a robust
post-correlation kalman structure. IEEE Trans. on Wireless Communications, 4(3):847854,
May 2005.
[TY00] L. J. Teng and M. Yao. The kalman lter as the optimal linear minimum mean-squared error
multiuser cdma detector. IEEE Trans. Information Theory, 46(7):25612566, Nov. 2000.
[vdM04] R. van der Merwe. Sigma-Point Kalman Filters for Probabilistic Inference in Dynamic State-
Space Models. PhD thesis, OGI School of Science & Engineering, 2004.
[vdMW03] R. van der Merwe and E. Wan. Gaussian mixture sigma-point particle lters for sequential
probabilistic inference in dynamic state-space models. Proceedings of the IEEE International
Conference on Acoustics, Speech, and Signal Processing (ICASSP), 6:701704, April 2003.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 173
[Vit79] A. J. Viterbi. Spread spectrum communications: Myths and realities. IEEE Commun. Mag.,
17(3):1118, May 1979.
[Vit87] J. S. Vitter. Design and analysis of dynamic human codes. Journal ACM, 34(4):825845,
1987.
[Vol97] A. Volkovskii. Synchronization of chaotic systems using phase control. IEEE Trans. Circuits
Syst. I, 44(10):913917, Oct. 1997.
[Wei] E. W. Weisstein. Logistic Map. MathWorldA Wolfram Web Resource.
[Wel84] T. A. Welch. A technique for high performance data compression. IEEE Computer, 17(6):819,
1984.
[WNC87] I. H. Witten, R. M. Neal, and J. G. Cleary. Arithmetic coding for data compression. Commun.
ACM, 30(6):520540, 1987.
[WSSV85] A. Wolf, J. B. Swift, H. L. Swinney, and J. A. Vastano. Determining lyapunov exponents from
a time series. Physica D, 16:285317, 1985.
[WvdM01] E. A. Wan and R. van der Merwe. Kalman Filtering and Neural Networks, chapter The
Unscented Kalman Filter. Wiley Publishing, 2001.
[XTL04] Y. Xia, C. K. Tse, and F. C. M. Lau. Performance of dierential chaos-shift-keying digital
communication systems over a multi-path fading channel with delay spread. IEEE Trans.
Circuits Syst. II, 51(12):680684, Dec. 2004.
[XZC06] K. Xiong, H. Y. Zhang, and C. W. Chan. Performance evaluation of ukf-based nonlinear
ltering. Automatica, 42:261270, 2006.
[Yan95] T. Yang. Recovery of digital signals from chaotic switching. Int. J. Circuit Theory Appl.,
23:611615, 1995.
[Yan04] T. Yang. A survey of chaotic secure communication systems. Int. J. of Computational Cogni-
tion, 2:81130, 2004.
[YC97] T. Yang and L. O. Chua. Chaotic digital code-division multiple access (cdma) communication
systems. Int. J. of Bifurcation & Chaos (IJBC), 7(12):27892805, 1997.
[YF83] T. Yamada and H. Fujisaka. Stability theory of synchronized motion in coupled-oscillator
systems. ii. Prog. Theor. Phys., 70:1240, 1983.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
BIBLIOGRAPHY 174
[YF84] T. Yamada and H. Fujisaka. Stability theory of synchronized motion in coupled-oscillator
systems. iii. Prog. Theor. Phys., 72:885, 1984.
[ZL77] J. Ziv and A. Lempel. A universal algorithm for sequential data compression. IEEE Trans.
Inform. Theory, 23:337343, 1977.
[ZL78] J. Ziv and A. Lempel. Compression of individual sequences via variable-rate coding. IEEE
Trans. Inform. Theory, 24:530536, 1978.
[ZLD99] Z. Zhu, H. Leung, and Z. Ding. Optimal synchronization of chaotic systems in noise. IEEE
Trans. Circuits Syst. I, 46:13201329, Nov. 1999.
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
Index
Canal
Acoustique sous-marin, 105, 130
Estimation de, 115
Chebyshev (polynme de), 66, 72
Chebyshev (polynmes de), 93
Consistence dun estimateur, 78
Contrle de gain
Boucle de contrle statistique, 92
Modication de la dynamique chaotique, 91
Diagramme de bifurcation, 9
Diagramme de synchronisation, 16, 19, 87
Dynamique symbolique, 136
Entropie informationnelle, 140, 141, 145
EQM, 77
Synchronisation chaotique, 77
Estimation simultane
Code/Symbole, 85, 98, 106
Code/Symbole/Phase, 88, 98, 102
Modle trajets multiples, 103, 106
Etalement de Spectre, 20
Squence directe, 21, 30, 84
Squence directe courte, 116
Squence directe longue, 125
Sauts de frquence, 23
Exposants de Lyapunov, 11, 12, 66
Filtres de Kalman non-linaires
Approximation par somme de gaussiennes, 53
CDKF, 49
EKF, 15, 35, 36
ExPKF, 59, 63
Filtre particules, 55
HOUF, 48
IEKF, 38
Scaled-UKF, 43
Stabilit de ltres, 72
UKF, 40
Formule dinterpolation polynomiale de Stirling, 50
Gnrateur probabiliste de Bernoulli, 138
Logistic (application), 8
Matre-Esclave (synchronisation), 13
Normalized Estimation Error Squared, 79
Rcepteur RAKE, 104, 129, 130
Rcupration de porteuse, 86, 88
Signal to Noise Ratio, 22, 87, 106, 130
Solution asymptotique pour ltrage Kalman linaire,
120, 127
Suppression des termes dinterfrence, 119, 127
Synchronisation chaotique
Filtrage EKF, 15
Filtrage ExPKF, 66
Identique, 13
Transformation non-linaire, 70
175
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0
INDEX 176
High order Unscented, 48
Interpolation de Stirling, 52
Linarisation au premier ordre, 37, 72
Polynomiale Exacte, 60, 67
Scaled-Unscented, 43
Unscented, 42
Transmissions chaotiques, 24
Chaos Shift Keying, 26
Cohrent - tre adapt, 28
Cohrent CSK, 27
Cohrent DCSK, 29
Masquage chaotique, 25
Non-cohrent COOK, 28
Non-cohrent CSK, 29
Squence directe chaotique, 30, 84, 105
Verrouillage de retard (Delay Locked Loop), 100
t
e
l
-
0
0
4
8
8
2
6
7
,

v
e
r
s
i
o
n

1

-

1

J
u
n

2
0
1
0

Vous aimerez peut-être aussi