Décision Optimale Esme 29 Novembre 2004 Nicolas Ibrahim Modèle du système Signal transmis Points de l’espace du signal: Signaux transmis Canal de transmission Signal reçu Un point est un vecteur de taille N dont les éléments sont pris d’un alphabet de cardinal Q => Il y a QN points !! Signal reçu 2 Exemple d’espace : Modulation binaire Espace dimension 2 -A +A Modulation quaternaire +A Espace dimension 4 -A +A 3 Le problème Ayant reçu le signal r, la détection consiste à trouver un signal s appartenant à l’espace du signal, tel que la probabilité d’une décision correcte est maximisée ! Les techniques 1- Probabilité a Posteriori Choisir le signal Sm telle que la probabilité a posteriori soit maximale Prsignal s m est transm is r , m 1,.., Q N 2- Maximum de vraisemblance Choisir le signal Sm telle que la vraisemblance soit maximale pr signal s m est transm is , m 1,.., Q N 4 Maximum a Posteriori (MAP) Densité spectrale conditionnelle de probabilité Pr sm r Probabilité A priori p(r sm ) Pr( sm ) p( r ) M p(r sm ) Pr sm m 1 Il faut connaître: • les probabilités a priori des signaux transmis {Sm} (Source) • densité spectrale conditionnelle de probabilité entre le signal transmis et le signal reçu (Canal de transmission) 5 Si les signaux de la source sont équiprobables (le cas le plus classique) 1 Pr( sm ) M M 1 p(r ) p (r sm ) Pr sm M m 1 M p(r s m 1 m ) La densité spectrale de probabilité du signal reçu est indépendante du signal transmis Probabilité a posteriori Pr sm r p(r sm ) Maximiser la Probabilité a posteriori la vraisemblance Maximiser la vraisemblance 6 La vraisemblance Le seul processus aléatoire est le canal de transmission r =sm + n sm r n p ( r sm ) p ( n) p ( r sm ) p(r ) 1 N 0 N r sm exp N0 2 1 1 ln p(r ) N ln N 0 2 N0 Maximiser p(r) r N n 1 n 2 sm , n r N Minimiser la distance Euclidienne n 1 n 2 sm , n 7 La distance Euclidienne entre le signal reçu et un des signaux transmis D(r, s m ) r N n 1 N n 2 sm , n N N n 1 n 1 2 r 2 r s s n m,n m,n n 1 2 2 n r 2r.s m s m 2 La distance Euclidienne modifiée D' (r, s m ) 2r.s m s m 2 Minimiser Minimiser Maximiser D(r,sm) D’(r,sm) C(r,sm)=2 r.sm - ||sm||² 8 C(r,sm) = 2 r.sm - ||sm||² Projection orthogonale du signal reçu sur un des signaux de l’espace signal r Distance projection Sm 9 T C (r, s m ) 2 r (t ) sm (t )dt Esm , m 1,..,M 0 Banc de corrélateurs s1(t) T s2(t) 0 T r(t) 0 -Es1/2 ( )dt -Es2/2 ( )dt Sélectionner la sortie la plus Décision grande EsM /2 sM(t) T 0 ( )dt Échantillonnage t=T 10 Probabilités a priori non-égales Exemple : PAM à deux états : {s1=A, s2=-A}; A² = Es p(s1) = p, p(s2) = q = 1-p Le signal reçu à travers un canal à bruit blanc gaussien additif (b ~ N(0, N0) ) r Es b Densité de probabilité conditionnelle ( r Es ) 2 p(r s1 ) exp 2 2 b 2b2 1 ( r Es ) 2 p ( r s2 ) exp 2 2 b 2b2 1 Les métriques ( r Es ) 2 PM (r , s1 ) p. p(r s1 ) exp 2 2 2 b 2b p ( r Es ) 2 PM (r , s2 ) p. p(r s2 ) exp 2 2 2 b 2b 1 p 11 Règle de décision PM (r , s1 ) PM (r , s2 ) décison s1 PM (r , s1 ) PM (r , s2 ) décison s2 PM (r , s1 ) PM (r , s2 ) s1 1 s2 ( r Es ) 2 ( r Es ) 2 PM (r , s1 ) p exp 2 PM (r , s2 ) 1 p 2 b (r Es ) 2 (r Es ) 2 2 b2 s1 s2 1 p ln p Nouveau seuil de comparaison s1 Es .r s2 -A A 1 2 1 p b ln 2 p p = 0.5 => ln (p / (1-p) ) = 0 cas classique 12 Probabilité d’erreur Maximum de Vraisemblance Sm signal transmis, r signal reçu, Probabilité de décision correcte (c) : P(c| Sm ) P(c sm ) p(r sm )dr , : Rm est la région de décision de Sm Rm Probabilité moyenne d’une décision correcte P (c ) M 1 M P (c ) m 1 M 1 M p(r s m 1 m )dr Rm Maximiser P(c) Maximiser p(r s m )dr Pour chaque Sm Rm Maximum a posteriori Probabilité moyenne d’une décision correcte M P (c ) m 1 P( s m r ) p (r )dr , Rm 13 Détecteur de Séquence Système avec mémoire : observation d’une séquence « complète » décision sur la séquence complète Viterbi grande dimension Calculer la distance euclidienne minimale entre la séquence reçue et l’ensemble des séquence émises. Détecteur Sphérique petite dimension Calculer la distance euclidienne en limitant la recherche dans une sphère Maximum a posteriori MAP Calculer la probabilité a posteriori pour la séquence entière 14 Modélisation de la mémoire par chaîne de Markov État initial Entrée sortie État futur exemple 1/1 0/0 1 0 0/1 1/0 0/0 0 1/1 1 0 1/0 0/1 1 15 MLSE (Maximum-Likelihood Sequence Detector) 16 17 Décodeur Sphérique r = Ms + n C À partir de la solution Z.F : z = M-1 r Pour chaque composante du vecteur z, on fixe une « plage de solutions » de valeurs appartenant à la constellation utilisée C C z u z n n n q q nn nn un : point appartenant à l’alphabet utilisé qnn : modification du point un due à de la présence de la matrice M C q 2 C q 2 nn n nn n zn1 qn 1,n n un 1 zn1 qn 1,n n q q n 1, n 1 n 1, n 1 Nouvelles bornes dépendent du choix faits sur le point précédent un 18 Déroulement de l’algorithme : étape recherche de candidat à la solution Zn Zn-1 Zn-2 Zn-3 candidat d’une solution Z0 première coordonnée trouvée dans l’intervalle Si blocage, remonter d’une coordonnée Le nouveau rayon est fixé égal à la distance Entre le point reçu et ce point trouver la coordonnée suivante 19 Déroulement de l’algorithme Fixer un rayon initial recherche de solution Enregistrer le dernier point trouvé comme la solution finale Non candidat trouvé oui Calcul du nouveau rayon avec la solution trouvée 20 21 22