Table des matières Résumé ……………………………………………………………………………………………...4 Partie I : Détection du signal intrus Introduction générale………………………………………………………………………………...5 Organisation du document…………………………………………………………………………...5 Problématique………………………………………………………………………………………..6 1- Chaine de transmission numérique. ………………………………………………………8 1.1 Introduction…………………………………………………………………………...8 1.2 La source de message …………………………………………………………………9 1.2.1 Définition d‟une source à valeurs discrètes………………………………………….9 1.3 Le codage de source…………………………………………………………………..10 1.4 Le codage de canal……………………………………………………………………10 1.5 L‟émetteur…………………………………………………………………………….11 1.6 Canaux de transmissions………………………………………………………………12 1.6.1 Canal de transmission à temps discret………………………………………………12 1.6.2 Exemples de canaux de transmission à temps discret………………………………12 1.6.3 Propriétés des canaux de transmission réels………………………………………...14 1.6.3.1 lignes de transmis………………………………………………………………….14 1.6.3.2 Canaux Radioélectriques………………………………………………………….14 1.6.3.3Transmissions en milieu urbain …………………………………………………...15 1.6.3.4 Canaux multitrajets………………………………………………………………..16 1.7 Le Récepteur ………………………………………………………………………….16 2- Transmission en bande de base ………………………………………………………….17 1 2.1 Les codes en ligne……………………………………………………………………..17 2.1.1 Principe des codes en ligne…………………………………………………………..17 2.1.2 Critère de choix d‟un code en ligne………………………………………………….19 2.1.3 Densité spectrale de puissance d‟un code en ligne…………………………………..20 2.1.4 Puissance d‟un code en ligne……………………………………………………………..21 2.1.4 Energie moyenne par symbole……………………………………………………….21 2.2 Calcule de la probabilité d‟erreur……………………………………………………...22 2.3 Seuil optimale………………………………………………………………………….24 2.4 Probabilité d‟erreur minimale………………………………………………………….25 2.5 Interférences Entre Symboles (IES)…………………………………………………...26 2.6 Condition d‟absence d‟IES- Critère de Nyquist……………………………………….27 3- Détection du signal bande étroite………………………………………………………....29 3.1 Estimation de la densité spectrale de puissance………………………………………..29 3.2 Description de la méthode……………………………………………………………..31 3.3 Teste de détection……………………………………………………………………...32 Π-Partie : Estimation du rythme symbole Problé matique Π.1 Introduction…………………………………………………………………………….38 Π.2 Modulation d‟amplitude en quadrature…………………………………………………39 Π.3 Conclusion………………………………………………………………………………40 Chapitre2 Estimation de la période symboles……………………………………………….41 II.2.1 Introduction…………………………………………………………………….41 II.2.2 Estimation par détection de fréquences cycliques…………………………………….41 II.3 Procédure d‟estimation de en utilisant une nouvelle méthode……………………..43 II.3.1 Principe général de la méthode……………………………………………………….43 2 II.3.2 Calcul de la période symbole…………………………………………………………44 II.4 Complémentarité des deux méthodes…………………………………………………..47 II.5 Présence d‟un résidu de fréquence porteuse……………………………………………48 II.6 Conclusion……………………………………………………………………………...49 PartieIII : résultats et discussion III.1 Simulation……………………………………………………………………………..50 III.2 Deuxième méthode de détection……………………………………………………...56 Résultats et simulation de la Partie II…………………………………………………….59 Introduction…………………………………………………………………………………59 III.3 Contexte de simulations………………………………………………………………..59 III.4 Résultats obtenus et analyse……………………………………………………………61 III.5) Qualification de l‟estimateur…………………………………………………………..66 III.6) Conclusion…………………………………………………………………………….66 Conclusion générale ……………………………………………………………………...67 Bibliographie ………………………………………………………………………………68 3 Résumé : Dans le cadre de surveillance du spectre des fréquences, nous nous proposons d‟élaborer des méthodes de reconnaissance automatiques des signaux à spectre étroit cachés dans des signaux à spectre large en présence du bruit, sans aucune connaissance a priori sur le système de transmission (sur le signal intrus). Il s‟agit de mettre au point des méthodes de détection de signaux qui ont la propriété d‟être très discrets , de synchroniser le signal en aveugle ; puis de déterminer la séquence aléatoire émise et ses caractéristiques (la période symbole du signal, la largeur de bande…) afin de retrouver les symboles du signal informatif à l‟aide d‟un récepteur classique. La première partie de notre travail consiste d‟abord à détecter la présence ou non d‟un signal opportuniste qui se sert de notre bande de fréquence pour émettre. La deuxième partie est consacrée à extraire les informations que contient le signal détecté (estimation du rythme symboles, bande de fréquence, reconnaissance de modulation, la séquence émise etc…..) Mots clefs : Transmissions à spectre étalé, Surveillance du spectre, Détection de sous porteuse, détection, Synchronisation aveugle d‟un signal à bande étroite. Keywords: Spread spectrum transmissions, Spectrum surveillance, detection of subcarrier, Blind synchronization, detection of narrowband signals. 4 Partie I : Détection du signal intrus 1- Introduction: Dans l‟étude de nombreux systèmes, en télécommunication, un problème revient très souvent : Celui de la détection. Il s‟agit de décider, à partir d‟un signal reçu la présence ou l‟absence du signal. Les solutions apportées à ce problème sont pratiquement toutes basées sur le rapport de vraisemblance. De nombreux ouvrages traitent ce problème, on peut citer comme livre de référence celui de van trees[1]. La multitude de récepteurs obtenus vient des modèles du signal, du bruit, et du mode de perturbation (i.e bruit additif ou multiplicatif). Si le signal est connu la solution optimale est le « filtre adapté ». En fonction du degré de connaissance à priori sur le signal, on obtient des structures différentes de récepteurs. Par exemple, si seulement quelques paramètres du signal sont inconnus on forme habituellement le test du rapport de vraisemblance généralisé (“Generalized Likelhood Ratio Test“ (GLR)) où les paramètres estimés sont utilisés dans le rapport de vraisemblance. Dans notre cas nous n‟avons aucune information sur le signal et en plus du br uit nous avons un autre signal qui est présent tout au long de la durée d‟observation et qui a un spectre plus large, qui cache le spectre du signal qu‟on veut intercepter donc c‟est un peux plus complexe. 2-organisation du document : Notre document est devisé en deux grandes parties, dans la première le chapitre 1 est introductif destiné à la description d‟une chaine de communication , le chapitre 2 sera consacré à la transmission en bande de base, tendis que dans le chapitre 3 nous aborderons les différents estimateurs de la densité spectrale des signaux et en particulier des signaux télécom. La deuxième partie est consacré à l‟extraction de l‟information à partir du signal détecté et enfin la troisième partie sera consacré à la description des méthodes utilisées et à la présentation des différents résultats obtenus. 5 3- problématique : Dans le cadre de la surveillance du spectre des fréquences, il est intéressant d‟élaborer des méthodes de traitement automatique des signaux, afin de contrôler les bandes de fréquences non autorisées, où ces transmissions pourraient passer inaperçues. La littérature concernant la détection d‟un signal en contexte coopératif est abondante. Par contre, en contexte non-coopératif, la littérature est particulièrement restreinte, surtout si on a un autre signal en plus du bruit. La première méthode qui nous vient à l‟esprit c‟est de faire de la séparation de sources en aveugle , car cette méthode n‟a pas besoin d‟information à priori sur le signal et la différence de bande entre les deux signaux n‟a aucun effet. Elle serait donc parfaite pour notre problème, si ce n‟est le fait que nous devons avoir au moins deux capteurs et cela veut dire changer la configuration de l‟antenne chose qu‟on ne peut pas faire parce que d‟après notre cahier de charge nous ne devons pas changer la structure de l‟antenne. Nous avons pu trouver un article qui traite un problème qui se rapproche un peu du notre problématique. Cet article porte sur la détection d‟un signal noyé dans du bruit large bande [2]. Dans notre cas le signal est noyé dans un autre signal large bande et en présence du bruit. Cet article fait une hypothèse très forte sur le signal bande étroite il ne considère pas un signal à bande étroite mais prend le cas extrême en considérant un cosinus. Une fois le signal détecté il faudra le ramener en bande de base. Dans notre cas comme nous n‟avons aucune information sur ce signal qui sera ramené en bande de base en fonction du signal large bande, ce qui a pour conséquence l‟introduction d‟un résidu fréquentiel. La deuxième étape consiste à déterminer la bande de fréquence et à localiser le spectre, après nous devons faire de la reconnaissance de modulation afin de démoduler le signal et récupérer la séquence émise. Pour cela, il faut connaitre la cadence à laquelle nous devons échantillonner le signal (Ts), mais notre cas cette quantité est inconnue. Nous avons pu trouver plusieurs documents qui traitent de l‟estimation du rythme symbole. Nous pouvons citer l‟article de Houcke [3] ainsi que celui de L. Mazet et P. Loubaton [4]. 6 15 10 5 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Figure : spectre du signal reçu large bande en bleu qui cache le spectre du signal bande étroite (signal intrus) 7 Chapitre I : chaine de transmission numérique : Introduction : Pour transmettre des informations à distance, il est nécessaire que ces informations soient mises sous une forme approprié et « portées » par un support physique : onde électromagnétique, signal électrique, lumière onde acoustique….. Cette mise en forme impose que l‟émission d‟une donnée nécessite une durée non nulle. De plus le signal qui transporte l‟information peut subir des déformations dont il faut autant que possible réduire les conséquences néfastes. Le schéma de principe d‟une chaine de transmission numérique est représenté sur la figure 1. On peut distinguer : la source de message, le milieu de transmission et le destinataire qui sont des données du problème. Le codage et le décodage de sources le codage et le décodage de canal, l‟émetteur et le récepteur représentent les degrés de liberté du concepteur pour réaliser le système de transmission. Nous allons maintenant décrire les différents éléments qui constituent une chaine de transmission. Données à transmettre Codage source Codage canal Modulation Emetteur canal y(t) Décodage source Décodage canal Démodulation Egalisation Récepteur Figure(1) : chaine de transmission 8 1.2 La source de message : Pour réaliser une transmission numérique, le message à transmettre doit être sous forme numérique. Si la source délivre un message analogique tel que le signal de parole (sortie d‟un microphone) ou le signal d‟image (sortie d‟une camera), il faut le numériser en échantillonnant le message analogique puis en quantifiant les échantillons obtenus. Chaque échantillon quantifié est ensuite codé sur M éléments binaires (appelés traditionnellement bits) . 1.2.1 Définition d’une source à valeurs discrètes : Une source à valeurs discrètes génère un processus aléatoire à temps discret, une suite de variable aléatoire (v.a.), à valeurs discrète finis. Soit le processus aléatoire {Xk} k ϵ {-∞,+∞ } et XK ϵ α = {α1 , α2 , ….., αM } où α est l‟alphabet de la source. Le nombre M de valeurs possible de la source peut être fini ou infini dénombrable. On connait de la source son alphabet et les probabilités à priori respectives de ses éléments. Elles sont définis par : pi= Pr{ αk = i } ; i= 0,1 (source binaire) K avec : P(X)1 x x Lorsque les probabilités à priori des valeurs des v.a. xk ne dépendent pas de l‟instant K, la suite est dite stationnaire au premier ordre. Lorsque les probabilisés jointes pX(xK,xKm)ne dépendent pas de l‟instant K, la suite est dite stationnaire au deuxième ordre ou au sens large. On dit que la suite { x K } est une suite de v.a. indépendantes et identiquement distribuées, suite I.I.D. ou encore que le processus { x K } est un bruit blanc. 9 1.3 Le codage de source : Le principe du codage de source qui trouve ses fondements dans la théorie de l‟information a pour but d‟éliminer les éléments binaires peu significatifs du message, ce dernier est alors sous forme concise et constitué par une suite d‟éléments binaires mutuellement indépendants et prenant les valeurs 0 et 1 avec des probabilités p 0 et p1 . Après numérisation et codage, la source de message numérique est caractérisée par son débit binaire D définit comme le nombre d‟éléments binaires qu‟elle émet par unité de temps. Si l‟intervalle de temps séparent l‟émission par la source de deux éléments binaires consécutifs est constant et égale à Tb , alors le débit binaire D est égale à : 1 1 D= T (bit. s ) b 1.4 Le codage de canal : Le codage de canal, aussi appelé codage détecteur et/ou correcteur d‟erreurs, est une fonction spécifique des transmissions numériques, qui n‟a pas son équivalent en transmission analogique. Cette opération a pour but d‟améliorer la qualité de la transmission en insérant dans le message des éléments binaires dits de re dondance suivant une loi donnée, ce qui a pour inconvénient de limité la quantité d‟information utiles à transmettre. Le décodeur canal, qui connait la loi de codage utilisée à l‟émission, vient vérifier si cette loi est toujours respectée en réception. Si ce n‟est pas le cas il détecte la présence d‟erreurs de transmission qu‟il peut corriger sous certaines conditions. Remarque : la fonction de codage de canal n‟est pas toujours utilisée, car elle accroît la complexité des équipements de transmission et donc leur coût. 10 1.5 L’émetteur : Le message numérique, en tant que suite d‟éléments binaires, est une grandeur abstraite. Pour transmettre ce message il est donc nécessaire de lui associé une représentation physique, sous forme d‟un signal électrique. C‟est la première fonction de l‟émetteur appelée généralement opération de modulation. Plus précisément, la modulation consiste à associer à chaque mot de n éléments binaires issu du message, un signal Si(t), i =1,……, M , de duré T = n Tb choisi parmi n M= 2 signaux. Le message binaire de débit D est donc représenté par un signal, dont on définit alors la rapidité de modulation R (exprimée en bauds), comme le nombre de signaux émis par le modulateur par unité de temps : 1 R = T (Bauds) On parle alors de transmission M-aire et dans ce cas, la rapidité de modulation R peut s‟exprimer en fonction du débit binaire D par la relation : D R = log M 2 Le choix du type de signaux dépend bien entendu des propriétés physiques du milieu de transmission que le signal va traverser ; l‟émetteur assure donc aussi une fonction d‟adaptation du signal modulé au milieu de transmission. Parmi les traitements effectués par l‟émetteur, on peut citer le filtrage du signal modulé pour limiter sa bande, et permettre ainsi à plusieurs utilisateurs de partager un même milieu de transmission sans risque d‟interférences. 11 Lorsque la bande allouée à la transmission est centrée autour d‟une fréquence f 0 élevée, le modulateur élabore parfois un signal dont le spectre est centré autour d‟une fréquence dite intermédiaire et plus basse que la fréquence f 0 ; l‟émetteur assure une fonction de changement de fréquence qui permet de centré le signal modulé autour de la fréquence f 0 souhaiter. 1.6 Canaux de transmissions : 1.6.1 Canal de transmission à temps discret : Un canal de transmission à temps discret associe une v.a. Y (sortie) à une v.a. y X(entrée) suivant une loi conditionnelle PY X ( x ) . L‟entrée et la sortie d‟un canal de transmission peuvent êtres à valeurs discrètes ou continues. Il est représenté sur la figure (3). Figure (3) : représentation d‟un canal binaire symétrique. 1.6.2 Exemples de canaux de transmission à temps discret Canal binaire symétrique BSC : L‟entrée x et la sortie y d‟un canal binaire symétrique sont à valeurs binaires. Les probabilités de transitions sont définies par les relations : et Ce canal est représenté sur la figure(3). 12 Canal à bruit additif gaussien blanc AWG N : (Average White Gaussien Noise) C‟est un canal à bruit additif gaussien, il est représenté sur la figure(4). L‟entrée x est à valeurs discrètes ou continues et la sortie y est à valeurs continues. Ce canal est défini par la relation d‟entrée sortie. y= x + b Où b est une v.a à valeurs continues, gaussienne centrée et de variance Les probabilités de transitions du canal AWGN sont définis par . Si la suite {bk } est I.I.D , le bruit est gaussien blanc. Les modèles de canaux BSC est AWGN sont utilisés pour modéliser les canaux de transmission réelles. Une source produit de l‟information, qui sera transmise par le anal de transmission. Cette transmission sera possible si la quantité d‟information produite par la source, son entropie, est inferieure à la capacité du canal de transmission. Figure (4) : représentation d‟un canal à bruit additif blanc gaussien 13 1.6.3 Propriétés des canaux de transmission réels : Nous allons présenter les paramètres essentiels des canaux de transmission habituellement utilisés pour réaliser des transmissions numériques ou analogiques. 1.6.3.1 lignes de transmis Soit la vitesse de propagation d‟une onde électrique sur une ligne, la variation de la phase d‟une sinusoïde de fréquence f est ϕ = βx = 2π fd /v g où d est la distance parcourue, β est la constante de phase. L‟amplitude de la sinusoïde décroît en fonction de la distance en , où α est la constante d‟atténuation. L‟atténuation en dB est définie à partir de la puissance émise et reçue par : γ 0d = 10log = 20 log Le bruit est essentiellement apporté par les amplificateurs situés à l‟entrée des répéteurs. Le canal est à bruit additif blanc gaussien de faible densité spectrale, qui est contrôlée par l‟utilisateur. Les distorsions linéaires produites par la dépendance du coefficient d‟affaiblissement en fonction de la fréquence et par la diaphonie entre des lignes situées physiquement dans le même câble de transmission, sont les phénomènes les plus gênants. La capacité des lignes de transmission est surtout liée à la bande passante des supports. 1.6.3.2 Canaux Radioélectriques Tous les canaux radio électriques ont en commun d‟utiliser une antenne d‟émission et une antenne de réception. Le gain d‟une antenne est défini par : G= 4A 2 Où A est l‟aire de l‟antenne, est la longueur d‟onde du signal et η est l‟efficacité de l‟antenne. L‟´equation de transmission de Friis est définie par : P r G G ( )2 T R P 4 d t 14 Où d est la distance de propagation et GT et G R sont les gains des antennes 2 ) est l‟affaiblissement de propagation. Si l‟on d‟´emission et de réception et ( 4d reporte la relation on obtient : P 12 r A A ( ) T R T R P d t Pour une surface d‟antenne donnée, augmenter la fréquence utilisée, permet de diminuer la puissance émise. Cette remarque a bien entendu ses limites, il faut une plus grande précision sur la réalisation des antennes, l‟absorption par l‟atmosphère dépend de la fréquence utilisée, la technologie des amplificateurs d‟émission et de réception est aussi fonction de la fréquence utilisée. Les mêmes lois s‟appliquent à l‟optique où la longueur d‟onde est de l‟ordre du µm. La relation permet de définir le Bilan de Liaison, qui sert à déterminer la puissance d‟émission ou la distance utile de propagation. Le bruit dans les amplificateurs micro ondes est aussi un effet commun aux systèmes de transmission radio électriques. La densité spectrale de bruit produite par un amplificateur peut être définie par sa température équivalente de bruit et par la relation thermodynamique N0 = KT, où N0 23 est la densité spectrale mono-latérale du bruit additif blanc gaussien, k = 1,38.10 est la constante de Boltzman et T est la température équivalente du bruit de l‟amplificateur. 1.6.3.3Transmissions en milieu urbain : En milieu urbain, les antennes d‟émissions et de réception ne sont pas en vue directe. L‟affaiblissement moyen décroît en , avec 3 < α < 4. Le modèle de prédiction le plus utilisé est celui de Okumura-Hata Pour une distance donnée, la présence des masques crée un affaiblissement de loi log normale, L‟affaiblissement de propagation ou la puissance instantanée reçue, exprimés en dB, sui vent une loi gaussienne d‟écart type compris entre 6 et 10dB. 15 1.6.3.4Canaux multi-trajets La transmission radioélectrique entre des antennes, qui ne sont pas en vue directe, est réalisée par des trajets réfléchis ou diffractés sur des obstac les. La présence de plusieurs trajets est indispensable dans une liaison radioélectrique. La différence de temps d‟arrivée des trajets définit la durée de dispersion dont l‟inverse est la bande de cohérence du canal de transmission. Statistiquement, l‟amplitude instantanée du signal reçu suit une loi de Rayleigh. Les amplitudes de deux sinusoïdes distantes d‟au moins la bande de cohérence du canal de transmission sont statistiquement indépendantes. Le mobile peut se déplacer au cours d‟une transmission. En deux points distants d‟une demi-longueur d‟onde de la porteuse, les amplitudes du signal reçu sont statistiquement indépendantes. On peut utiliser deux antennes de réception distantes d‟une demi-longueur d‟onde. La durée de stationnarité du canal de transmission ou est liée à la vitesse du mobile par la relation τc = La fréquence Doppler est égale à l‟inverse du temps de cohérence. 1.7 Le Récepteur : Le récepteur qui a pour fonction de reconstituer le message émis par la source à partir du signal reçu, comprend des circuits d‟amplifications, de changements de fréquence et de démodulation pour les transmissions sur onde porteuse, de filtrage puis d‟échantillonnage et de prise de décision. Le changement de fréquence et le démodulateur permettent de ramener le signal modulé en bande de base. Pour minimiser l‟influence du bruit, source incontournable des erreurs de transmission, le signal en bande de base est en suite filtré puis échantillonné à des instants caractéristiques. Finalement un circuit de décision identifie la valeur des éléments binaires transmis à partir des échantillons reçus. Le choix effectué par le circuit de décision est binaire, décision 0 ou décision 1 ce qui correspond à une opération dite de « détection ». 16 Chapitre II : Transmission en bande de base Dans ce chapitre nous allons, dans un premier temps, décrire les codes en lignes utilisés pour les transmissions en bande de base, ainsi que quelques-unes de leurs propriétés les plus importantes; nous examinerons ensuite les problèmes posés par leur transmission sur ce que nous appellerons le canal « idéal », c‟est-à-dire un canal dont la bande passante est infini. 2.1 Les codes en ligne : 2.1.1 Principe des codes en ligne : Considérons la transmission d‟un message constitué par une suite infinie, ou du moins très longue, d‟éléments binaires k émis aux instants KTb , (I.I.D) sur l‟alphabet {0, 1}, avec : P k i; i= 0,1 k i P r Sauf indication contraire nous supposerons dans la suite du mémoire que les probabilités P0 et P1 sont identiques ( P0 = P1 =1/2). Le principe du codage en ligne consiste à associer, à chaque élément binaire k du message, un signal S i (t) de durée Tb choisi parmi ensemble de deux signaux, en fonction de la valeur de l‟élément binaire k : S i = 0 t 0, Tb ; i = 0, 1 L‟opération réalisée par le codeur en ligne est alors la suivante : Si Si k = 0 k = 1 émission du signal S 0 (t-k Tb ) émission du signal S1 (t-k Tb ) Ainsi, à la suite des éléments binaires { k }, le codeur en ligne associe le signal e(t) ayant pour expression : e(t) = S (tkT b); i(k) k 17 i(k) = 0,1 (2.1.1) Où l‟indice k varie implicitement de -∞ à + ∞ la valeur de l‟indice i(k) est fonction de la valeur de l‟élément binaire k : i(k) = 0 i(k) = 1 k = 0 k = 1 si si Les signaux S 0 (t ) et S1 (t ) peuvent s‟exprimés à partir d‟une forme d‟onde unique h(t) dont la durée est évidemment égale à Tb : Si (t)A (t) ; ih i = 0,1 On parle alors de modulation d‟impulsion en amplitude (MIA, ou en anglais PAM « pulse amplitude modulation »). Ainsi, le signal e(t) en sortie du codeur en ligne peut s‟écrire : e(t) = A i(k ) h(t- kTb ) (2.1.2) k En générale pour simplifier les notations, le double indice i(k) est supprimé et le signal e(t) s‟écrit simplement sous la forme : e(t) = a k h ( t kTb ) (2.1.3) k Où a k est maintenant un symbole binaire prenant ses valeurs dans l‟alphabet { A0 , A1 } avec la convention suivante : a k = A0 a k = A1 si si ak = 0 ak = 1 L‟opération précédente peut être généralisée en associant à chaque mot de n éléments binaires issu du message, un signal S i (t ) de duré T = nTb choisi parmi M 2 n signaux. L‟expression du signal e(t) en sortie du codeur est donnée par (2.1.1) en remplaçant Tb par T : 18 e(t) = a h(t kT ) k (2.1.4) k Où les a k sont des symboles M-aires qui prennent leur valeur dans un alphabet à M éléments { A0 , A1 ,……, AM 1 }. L‟utilisation de symboles M-aires permet, en général, à débit binaire donné D, de réduire la rapidité de modulation R en sortie du codeur en ligne, puisque : D R = log M 2 (2.1.5) 2.1.2 Critère de choix d’un code en ligne : Pour les transmissions en bande de base, le milieu de transmission est constitué par un câble (bifilaire ou coaxial) caractérisé par sa bande passante. Le code en ligne doit d‟abord être choisi pour assurer la compatibilité entre le débit D à transmettre et la bande passante du milieu de transmission (choix d‟un nombre d‟états M). D‟autres contraintes peuvent encore exister pour le choix d‟un code en ligne ; illustrons-les à l‟aide de trois exemples. Lorsque la distance entre la source de message et le destinataire est importante, alors le signal issu du codeur en ligne doit être périodiquement « régénéré » pour compenser l‟atténuation et la distorsion apportées par le câble. Cette opération de régénération est réalisée à l‟aide de dispositifs électroniques (répéteurs -régénérateurs) qu‟il faut alimenter en courant continu. Ce courant continu, dit de télé-alimentation, et le signal associé au code en ligne utilisent en générale le même câble pour des raisons économiques évidentes. Pour éviter toute interférence entre ces deux signaux, le spectre du code en ligne doit être nul au voisinage de la fréquence zéro (le spectre d‟un courant continu est constitué par une raie à la fréquence zéro). Pour réaliser le décodage, le récepteur a besoin de connaître le rythme de la transmission (le rythme symbole), c‟est-à-dire la fréquence, égale à 1/T, à laquelle les symboles a K ont été transmis. La présence d‟une raie à cette fréquence dans le spectre du code en ligne facilite la récupération du rythme de la transmission en réception. En imposant certaines règles pour le codage des symboles a K , telle que, par exemple, des configurations de symboles interdites, le récepteur pourra détecter la présence anormale d‟erreurs de transmission, et disposer ainsi d‟éléments pour estimer la qualité de la liaison. La densité spectrale de puissance des codes en ligne est une de leurs caractéristiques importantes. 19 2.1.3 Densité spectrale de puissance d’un code en ligne : Un code en ligne représenté par la relation 2.1.4 est un processus aléatoire cyclostationaire. Il possède une densité spectrale de puissance (DSP), qui peut être évaluée en utilisant la formule de Bennett, décrite par la relation suivante. 1 2 S ( f)S ( f) H ( f) S a T (2.1.6) Où S a ( f ) est la DSP de la suite codée { a k } et H(f) est la transformé de Fourier de la fonction h(t) de mise en forme spectrale. Si les symboles sont indépendants et centrés, la DSP d‟une modulation numérique possède une expression particulièrement simple. 2 E a 2 k S (f) H (f) S T (2.1.7) La DSP de la suite codée est obtenue à partir de la transformée de Fourier discrète de sa fonction d‟autocorrélation. S R k) e j 2 KTf a(f) a( (2.1.8) Avec : Ra = Eanan*k . R 'a( k ) R ( k ) m a a , et on trouve 2 On pose : S R k)e j2K T f = a(f) a( R' a (k) j 2 K T f + ma 2 e j2 K f On utilise les propriétés des transformées de Fourier des distributions on trouve : m n S ( f ) ( R ( k ) m ) e ( f ) a T T 2 2 a j 2 K T f a a k n 20 (2.1.9) On remplace la relation 2.1.9 dans 2.1.6 on trouve : 2 2 2 H ( f ) m n n 2 a j 2 K T f S ( f ) ( R ( k ) m ) e H ( ) ( f ) (2.1.10) S a a 2 T T T T k n Cette expression porte le nom de formule de BENETTE. 2.1.4 Puissance d’un code en ligne : La puissance du signal S (t ) est évaluée par l‟intégrale de sa D.S.P, soit H ( f ) df 2 E a K P S T 2 Pour simplifier la présentation, on utilisera toujours une fonction de mise en forme spectrale h(t ) normée, dans ce cas on obtient simplement l‟expression de la puissance du signal : P S EaK 2 (2.1.11) T 2.1.4 Energie moyenne par symbole : L‟énergie moyenne par symbole est obtenue à partir de la puissance du signal et de la rapidité de modulation DS = 1/T par la relation suivante : E P E a S ST k 2 (2.1.12) L‟énergie moyenne par élément binaire est définie à partir de l‟énergie moyenne par symbole et du nombre d‟éléments binaires associés en moyenne à un symbole transmis m = log 2 M 2 E a E E k s E s b log M m log M 2 2 21 (2.1.13) Le débit binaire et la rapidité de modulation sont reliés par la relation D 1 b D S T log 2M (2.1.14) -L‟efficacité spectrale exprimé en bits/s/Hz est définie par : b D ( bits /s/Hz ) B Où Db désigne le débit binaire et B la bande de fréquence du canal. -Le rapport signal sur bruit défini par : RSB E n N 0 Où Eb désigne la quantité d‟énergie par bit, exprimé en nombre de joules par bits, et N 0 /2 la densité spectrale du bruit additif, blanc sur le canal, exprimé en W/Hz. On en déduit que la puissance moyenne du signal est donnée par PS Eb Db et que la puissance du bruit dans la bande B est donnée par Pb N0 B. On en déduit le rapport signal sur bruit en puissance : Ps E b = Pb N0 2.2 Calcule de la probabilité d’erreur : Afin de calculer la probabilité d‟erreur, nous devons considérer la structure du récepteur linéaire composé d‟un filtre linéaire de réponse impulsionnelle hr (t ) suivi d‟un échantillonneur aux instants nT+t 0 et d‟un comparateur à seuils fonctionnant symbole par symbole. Ce récepteur est représenté sur la figure (5). αˆ n tn=nT + t0 Filtre adapté Comparateur Affectation M-aire=> binaire Echantillonneur Figure(5) : Schéma de principe d‟un récepteur 22 L‟échantillon y (t 0 ) , prélevé à l‟instant t 0 en sortie du filtre de réception, est comparé à un seuil S et une décision concernant la valeur de l‟élément binaire 0 est prise selon la règle suivante : y (t 0 ) > S alors y (t 0 ) < S alors ^ 0 = 1 (2.2.1) ^ 0 = 0 ^ Où 0 représente le résultat de la décision prise sur l‟élément binaire 0 en sortie du récepteur. ^ P P 1 / 0 0 e 0 r 0 ^ P P 0 / 1 0 e 1 r 0 (2.2.2) Si p0 , p1 est la distribution de probabilité associée à l‟élément binaire 0 , alors la probabilité d‟erreur Pe est égale à : P p P p e 0 e 0 1P e 1 (2.2.3) S S P p ( y ) dy p P ( y ) dy e 0 Y / 0 1 Y / 1 P 0 0 On suppose qu‟Y est une variable aléatoire gaussienne et de moyenne a 0 r(t) et de 2 variance on a : y r ( t ) 1 0 P ( y ) exp ( 2 ) Y / 1 2 2 2 2 y r ( t ) 1 0 P ( y ) exp ( 2 ) Y / 0 2 2 2 2 23 (2.2.4) Figure (6) : Densité de probabilité sous les deux hypothèses En remplaçant les densités de probabilités conditionnelles par leurs expression e t en introduisant la fonction d‟erreur complémentaire erfc(x) définie par : 2 2 erfc exp( u ) du x (2.2.5) La probabilité d‟erreur p e a finalement pour expression : ( t ) S ( t ) S 1 r 1 r 0 0 P p erfc p erfc e 0 1 2 22 2 (2.2.6) Avec : S : seuil de décision erfc : fonction d‟erreur r (t 0 ) = h(t)gr (t) g r (t ) : Filtre de réception 2.3 Seuil optimale : Le seuil optimal est obtenu en cherchant la valeur de S qui annule la dérivée de la probabilité d‟erreur, soit : dPe 0 dS 24 Ce qui conduit à résoudre l‟équation : 2 2 r ( t ) S r ( t ) S 0 0 p exp p exp 0 1 2 0 2 2 2 Le seuil optimal, S opt , est alors égale à : 2 S opt P ln0 2 r ( t0) P 1 (2.3) Le seuil optimal dépend de la distribution de la probabilité p0 , p1, c‟est-à-dire de la structure du message ; si, par exemple, p1 p 0 , le seuil se déplace vers les valeurs négative, de manière à « favoriser » la décision K = 1. Lorsque p0 p1 = ½ , le seuil ^ optimal est égale à zéros, le détecteur test le signe de l‟échantillon y (t 0 ) pour décoder l‟élément binaire 0 . 2.4 Probabilité d’erreur minimale : Eb La probabilité d‟erreur minimale est exprimée en fonction du rapport N , où 0 Eb représente l‟énergie du signal reçu à l‟entrée du récepteur lorsque l‟élément binaire 0 est émis, et N 0 est la densité spectrale monolatérale du bruit. 22 E h( t)dt 0 b a En tenant compte du fait que 0 1, la probabilité d‟erreur p e est égale à : E 1 b P e erfc 2 N 0 (2.4) On constate que la probabilité d‟erreur ne dépend donc pas de la forme d‟o nde h(t) mais uniquement de son énergie. Deux formes d‟ondes différentes, mais ayant même énergie, conduiront donc à la même probabilité d‟erreur. Dans la figure 7 nous avons 25 tracé la probabilité d‟erreur en coordonnées logarithmiques en fonction du rappor t Eb N0 en dB. -1 Probabilité d erreur 10 -2 10 -3 10 0 1 2 3 Eb/N0 en dB 4 5 6 Figure(7) : probabilité d‟erreur pour un code en ligne à symbole binaire en fonction Eb du rapport N en dB 0 2.5 Interférences Entre Symboles (IES) : L‟interférence entre symboles apparaît à la sortie du filtre de réception. Elle est caractérisée par la contribution des autres symboles transmis sur le symbole, que l‟on désire détecter. L‟échantillonneur fournit au détecteur à seuil, une suite d‟échantillons 1 à la rapidité de modulation DS = T . L‟échantillon y(nTt0)sert à décider la valeur du symbole d n . L‟´echantillon est défini par : y ( nT t ) a r ( t ) a r ( t mT ) b ( t nT ) 0 n 0 n m 0 0 m 0 26 (2.5.1) Le premier terme dépend du symbole n , le deuxième qui dépend des symboles anm(m0) est appelé terme d‟interférence entre symboles (IES) et le troisième représente le bruit. 2.6 Condition d’absence d’IES- Critère de Nyquist : L‟absence d‟IES, aux instants de décision t0 nT, impose que l‟impulsion r(t) vérifie la condition suivante : r ( t nT ) r ( t )0 0 0 , n n (2..6.1) Où 0,n représente le symbole de Kronecker. L‟impulsion r(t) peut être de durée et de forme quelconques, mais tous ses échantillons aux instants t0 nT doivent être nuls. En faisant la transformé de Fourier du signal échantillonné re (t ) on trouve : t 1 n R ( f) R ( f) j2 n 0 e T Tn Te (2.6.2) Et tenant compte de la relation 2.6.1 la condition d‟absence d‟IES peut s‟écrire : n R f T T (2.6.3) n Cette condition est appelé critère de Nyquist. Pratiquement, cela signifie qu‟on ne peut pas transmettre sans IES un signal de rapidité de modulations R=1/T dans une bande inférieure à 1/2T. Si on considère une bande de fréquence supérieure à [-1/2T, 1/2T], il est y a des fonctions qui vérifient le critère de Nyquist. Une solution généralement retenue dans les équipements de transmissions, est la fonction en cosinus surélevé : 27 1 T si f 2 T T T 1 1 1 C S (f) 1 sin f si f 2 2 T 2 T 2 T 0 AIILEURS (2.6.4) 0.3 0.25 0.2 0.15 0.1 0.05 0 -0.05 0 100 200 300 400 500 600 Figure(8) : réponse impulsionnelle d‟un filtre en racine de cosinus surélevé 28 Chapitre 3 : Détection du signal bande étroite : Avant de parler de la détection du signal intrus (signal bande étroite) nous allons faire un rappelle théorique sur l‟estimation de la densité spectrale de puissance parce que nous allons en avoir besoin après pour expliquer la méthode de détection que nous avons utilisé. Introduction : L‟analyse spectrale est la décomposition en composantes fréquentielles d‟une grandeur variant en fonction du temps. C‟est l‟une des techniques les plus courantes de traitement de signaux. L‟analyse spectrale expérimentale est un outil d‟investigation irremplaçable dans de nombreux domaines. Les techniques usuelles d‟analyse spectrale se rattachent à deux classes principales : - méthodes directes (filtrage sélectif, périodogramme). méthodes indirectes (corrélogramme, méthodes paramétriques…) L‟analyse spectrale expérimentale diffère du modèle théorique pour la raison principale que l‟observation du signal n‟est faite que pendant une durée limitée (nombre fini d‟échantillons dans le cas numériques). Ceci no us contraint à définir la notion d‟estimateur. En effet, cette densité définie par transformation de Fourier de la fonction d‟autocorrélation devra, en pratique être calculée à partir d‟observation de durée limitée. 3.1 Estimation de la densité spectrale de puissance : a- Le périodogramme : Soit x(n) un processus aléatoire stationnaire du second ordre au sens large, centré. * sa fonction d‟autocorrélation et S(f ) sa dsp. On appelle ( k ) E x n k x ( n ) On note R ( 0 ,1 )définie par : périodogramme la fonction aléatoire de f 1 1N 2 j n f S ( f) x n e n N n 0 2 ^ 29 (3.1) Cette estimateur peut être calculé directement en élevant au carré la transformé de Fourier (FFT) de la séquence observée, ce qui montre tout l‟intérêt de cette approche. En réalité, cet estimateur est bien décevant car il est biaisé et la variance de l‟erreur spectrale de décroît pas avec la durée d‟observation. Quelque soit cette durée, la variance de cette estimateur reste proportionnelle au carré du spectre cherché. L‟idée est de ne pas utilisé directement le périodogramme pour estimé la dsp mais des séquences qui représentent des portions du signal, en divisant l‟échantillon x(n) de longueur N en K segments de longueur. i M, on définie les séquences élémentaires x M (k ) par : i x ( k ) x ( iM k ), i 0 ..... k 1 , k 0 ........ M 1 (3.2) M M On peut alors construire pour chacune des séquences élémentaires une estimation de la dsp, soit : ^ 2 1 i i i 2 j k f S ( f ) X ( f ) , avec X ( f ) x ( k ) e i M M M M (3.3) On calcule les K périodogramme et on effectue leur moyenne : 1^ ^ 1K S (f) S f) N i( K i 0 (3.4) i En supposant que les échantillons successifs x M (k ) ne sont pas corrélés, on constate que la variance est divisée par un facteur K qui correspond au nombre de segments choisis. Si on veut avoir une variance la plus petite possible on a qu‟à choisir une grande valeur pour K mais cela n‟est pas sans conséquences car en détériore la résolution spectrale en réduisant le nombre de point de chaque fenêtre d‟analyse M = N/K. On conclusion le choix de K relève d‟un compromis entre résolution et variance si K est grand la variance est diminué mais la résolution se dégrade et la réciproque est vrai. b- estimateur de welch : On prend la procédure précédente, en applique cette fois une fenêtre de pondération sur les données de langueur M. les nouvelles tranches s‟écrivent : 30 i i x ( k ) * w ( k ) x ( k ) M M W (3.5) Et on calcule : i 2 1X (f) w 1K S ( f ) w K M i 0 ^ (3.6) ^ La formule d‟estimation S w ( f ) doit être corrigée, car, par l‟application de la i fenêtre wM (k ) , nous avons modifié la puissance moyenne de la tranche x m (k ) . Il convient d‟appliquer un 1 M1 2 w M(k).d‟où la nouvelle expression de l‟estimateur : terme correcteur égal à M K0 i 2 (f) M1K X w S (f) w M 1 K M 2 i 0 w ( k ) M ^ (3.7) k 0 Le fait de multiplier certains échantillons par des coefficients de pondération très petits fait que ces échantillons jouent un rôle négligeable dans le calcul, d‟où l‟idée de welch de faire chevaucher les sous intervalles. Le taux de recouvrement le plus souvent utilisé est 50%. 3.2 Description de la méthode : Pour bien comprendre les motivations, qui nous ont poussés à nous orienté vers cette méthode, nous allons faire un petit résumé du problème. Dans notre cas nous avons deux signaux dont l‟un des deux on a aucune information à priori ; les deux signaux ont des Ts différent et donc deux bandes différentes et le signal qu‟on veut détecter a une puissance plus faible que le signal large bande ; dans le domaine temporel les deux signaux sont présent tout au long de la duré d‟observation par contre dans le domaine fréquentiel le spectre du signal bande étroite vas êtres présent en même temps que le spectre du signal large bande que pendant une bande de fréquence bien précise. Donc notre idée est de découpé la bande du signal totale en plusieurs sous bande ensuite on met un détecteur dans chaque sous bande. 31 On se fixe un seuil après on fait notre teste de détection ; il est bien évident que les performances de notre méthode vas reposer sur notre détecteur et plus précisément sur le seuil de détection. 3.3 Teste de détection : Le test de détection est le suivant : H ( t) b ( t) 0: y H ( t) x ( t) b ( t) 1:y (3.3.1) C‟est un test binaire composé de deux hypothèses. H 0 est l‟hypothèse dite nulle correspondant à l‟événement « signal absent » et H 1 est l‟hypothèse dite alternative correspondant à l‟événement « signal présent ». Soient py / H0 et py / H1 , les densité de probabilité de y(t) respectivement sous H 0 et sous H 1 . Lorsque les probabilités a priori PH 1 et 1 - PH 1 respectivement des hypothèses H0 et H1 sont connues, alors le détecteur optimal, au sens du minimum de la probabilité d‟erreur décide H 1 est vrai si : py/ H1 1 PH1 > py/ H0 PH1 (3.3.2) p (y/H) 1 (y ) Le rapport p (y/H) est appelé rapport de vraisemblance, les fonctions 0 p(y / H0 ) et p( y / H1) sont appelées fonctions de vraisemblance et un test basé sur ce rapport est appelé « test de vraisemblance ». En choisissant l‟une des deux hypothèses H 0 et H 1 , deux types d‟erreurs peuvent se produire : - Erreur de premier type : elle correspond au cas où l‟hypothèse H 1 est choisie alors que le signal est absent. En terminologie radar, cette erreur est dite de fausse alarme dont la probabilité Pfa est donnée par : 1 P H P prob y 1/ H fa 0 P H 1 32 (3.3.3) - Erreur de second type : elle se produit lorsque l‟hypothèse H 0 est choisie alors que le signal est présent. Sa probabilité Pnd est donnée par : 1 P H P prob y 1/ H nd 1 P H 1 (3.3.4) En terminologie radar, cette probabilité est appelée probabilité de nondétection et son complément 1 Pnd est désigné par la probabilité de détection Pd qui correspond à la probabilité de choisir correctement l‟hypothèse H 1 Il est courant de représenté les performances d‟un détecteur à l‟aide d‟un réseaux de courbes montrant la probabilité de détection Pd en fonction de la probabilité de fausse alarme Pfa (figure 9). Le test est bon lorsque ces courbes sont situées audessus de la ligne de chance qui caractérise le hasard pur. Dans la littérature, cette représentation est appelé courbe COR (Caractéristiques Opérationnelles du récepteur) [4]. Figure(9) : Exemple de courbe COR montrant la probabilité de détection Pd en fonction de la probabilité de fausse alarme Pfa 33 Il existe un test le plus puissant qui maximise la probabilité de détection appelé test de Neyman-Pearson sous la contrainte de probabilité de fausse alarme constante. On suppose qu‟on a des variables aléatoires gaussiennes X, i.i.d, le test de NeymanPearson est le suivant : L x ........., x /H 1 n 0 1 S Rejet de H 0 si L x ........., x /H 1 n 0 0 (3.3.5) Avec : ........., x L x 1 n 0/H 1la fonction de vraisemblance sous l‟hypothèse H 1 ........., x L x 1 n 0/H 0la fonction de vraisemblance sous l‟hypothèse H 0 S : Seuil de décision 1 exp 2 n 22 2 2 1 1 exp 2 n 22 2 2 1 Rejet de H 0 si n x m i 1 2 i 1 xi m 0 i 1 n > S (3.3.6) 2 n Rejet de H0 si : T = x S , i 1 i où T est appelé statistique du test. Nous remarquons que pour faire le test de détection il est primordial de connaitre les densités de probabilité de y(t), py / H0 et py / H1 ) respectivement sous H 0 et sous H 1 , ainsi que les probabilités a priori PH 1 et 1 - PH 1 respectivement des hypothèses H0 et H1 ; seulement dans notre cas nous n‟avons aucune information a priori sur le signal que nous voulons détecté c‟est pour cela que nous nous so mme orienté vers la détection du spectre du signal (densité spectrale de puissance). 34 Le teste de détection est le suivant : Sous l’hypothèse H 0 : nous avons le spectre du signal large bande (dsp) + le spectre du bruit (dsp) du bruit. Sous l’hypothèse H 1 : nous avons le spectre du signal large bande (dsp) + le spectre du signal bande étroite (dsp) + le spectre du bruit (dsp). H S ( f ) S ( f ) 0 1 b H S ( f ) S ( f ) S ( f ) 1 1 2 b (3.3.7) Avec : S1 ( f ) 1 2 S a 1(f)H 1(f) la densité spectrale de puissance du signal large bande défini T dans la section 2.1.3 équation 2.1.6. S2 ( f ) 1 2 S a 2(f)H 2(f) la densité spectrale de puissance du signal bande étroite. T Sb ( f ) N0 2 H( f ) la densité spectrale de puissance du bruit. 2 Il est bien évident qu‟en pratique on ne dispose pas des valeurs réelles mais des estimés donc les deux hypothèses deviennent : ^ ^ ^ ^ H S (f) S (f) 1 0 b (3.3.8) ^ H S (f) S (f) S (f) 1 2 1 b 35 On remplaçant les densités spectrales estimé respective du signal large b ande, bande étroite et du bruit par la relation 3.7 on trouve : 2 2 i i KX KX ( f) ( f) M M 1 w bw 1 1 H 0 M 1 M 1 K K 2 2 0 M 0 M w ( k ) i w ( k ) i M M k 0 k 0 2 2 2 i i i KX KX KX ( f) ( f) ( f) M M M 1 w 2 w bw 1 1 1 H 1 M 1 M 1 M 1 K K M K 2 2 2 0 M 0 0 M w ( k ) i w ( k ) i w ( k ) i M M M k 0 k 0 k 0 Avec : x (k)e (signal large bande) x (k)e (signal bande étroite) (f) = x (k)e (bruit) (f) = X 1iw ( f ) = i 1 M j2 kf X 2i w i 2 M j2 kf i X bw i bM j2 kf Le seuil de détection est : S = MAX [ 36 (3.3.9) Π-Partie : Estimation du rythme symbole Problématique : Nous supposons qu‟un signal produit par un émetteur inconnu utilisant une modulation QAM (Quadrature Amplitude Modulation) a été détecter et ramené en bande de base par rapport à la fréquence porteuse du récepteur. Les paramètres techniques de la modulation (période symbole, résidu de fréquence porteuse, filtre de mise en forme) sont inconnus, et le signal transmis par l‟émetteur est de surcroît perturbé par un canal de propagation à trajets multiples inconnu. L'estimation de la période symbole du signal reçu constitue une étape essentielle de la chaîne de traitements effectuée à la réception. En effet, la connaissance de la période symbole est nécessaire à la mise en œuvre de certaines méthodes d'égalisation, mais aussi au niveau de la démodulation, car cette étape requiert une estimation préalable de Ts. Habituellement, l'estimation aveugle de la période symbole Ts est effectuée en exploitant la propriété de cyclostationnarité des signaux de communications numériques : ces méthodes classiques, souvent appelées méthodes cycliques (voir [4] pour une approche détaillée), reposent sur l'observation que la plus petite fréquence cyclique du signal reçu correspond à la vitesse de modulation 1/Ts La détection des fréquences cycliques fournit donc une estimée de la période symbole. Toutefois, lorsque l'excès de bande du signal observé est faible, la probabilité de fausse détection de la fréquence cyclique 1/Ts augme nte : les performances des méthodes cycliques peuvent alors être peu convaincantes. Dans le cas où le signal observé est modulé linéairement, une approche alternative fondée sur l'optimisation de fonctions de contraste et permettant de palier à ce problème a récemment été proposée dans [3]. L'approche décrite dans [3] concerne uniquement le cas de modulations linéaires de symboles i.i.d, ce qui est notre cas puisqu‟on est en présence d‟une modulation QAM. 37 Π.1) Introduction : Rappelons tout d‟abord le contexte dans lequel ce travail se situe. En effet, le signal reçu est échantillonné avec une fréquence d‟échantillonnage qui n‟est pas un multiple du débit symbole ( ). Dans ce qui suit, nous travaillerons avec =2.8. Notre objectif dans le cadre de ce rapport consiste à définir des techniques permettant d'estimer la période symbole à partir du signal reçu, et préalablement à tout autre traitement, tel que l‟égalisation ou la démodulation car la plupart des algorithmes d'égalisation qu‟on trouve dans la littérature [4],[6], requièrent la connaissance de la période symbole. Nous nous plaçons dans le contexte suivant : nous supposons que l‟émetteur utilise une modulation linéaire. Notons par l‟enveloppe complexe du signal temps continu reçu par le système de communication, il peut être écrit sous la forme : + (Π.1) Où est la séquence de symboles supposées être i.i.d. la période symbole qu‟on cherche à estimer et h(t) est le résultat de la convolution entre le filtre de mise en forme (filtre en racine de cosinus surélevé dans notre cas) et la réponse impulsionnelle du canal de propagation, est la fréquence de décalage de la porteuse(ou résidu de porteuse) et est un bruit gaussien de moyenne nulle et de variance . Dans tout ce qui suit, nous supposons que est bornée et causale. Le but étant donc de retrouver la période symbole ; ce genre de problème est appelé „aveugle‟ puisqu‟on ne connaît ni ni . On ne dispose non plus d‟aucune séquence d‟apprentissage. Pour pouvoir résoudre ce problème, on a recours soit aux statistiques d‟ordre supérieur à 2 du signal de sortie y(t), soit à la propriété de cyclostationnarité de ce dernier. Etant donné qu‟on ne dispose pas d‟information à priori sur ce signal de sortie, l‟alternative est donc de passer par la cyclostationnarité. Tout ce dont on dispose est le signal reçu c'est-à-dire . Avec la méthode cyclique [7], le signal reçu possède la propriété suivante : tout multiple de avec , est une fréquence cyclique. Cette remarque est la clé de plusieurs estimations de Ts. Dés lors, une estimation de Ts peut être obtenue comme étant l‟argument maximum d‟une certaine fonction de coût [6]. 38 Due à la largeur de bande du filtre de mise en forme, nous pouvons penser que possède une seule fréquence cyclique strictement positive i.e pour Cependant cette méthode souffre de certains inconvénients, dont on a parlé plus haut, notamment lorsque l‟excès de bande tend vers zéro. Une nouvelle méthode est présentée et qui permet de remédier à ces inconvénients. Π.2) Modulation d’amplitude en quadrature : Un signal modulé en QAM s‟écrit sous la forme suivante : (Π.2) Où les deux signaux et ont pour expression : (Π.3) Le signal modulé est donc la somme de deux porteuses en quadrature, modulées en amplitude par les deux signaux et . et sont des symboles qui prennent leurs valeurs dans le même alphabet à éléments donnant ainsi naissance à une modulation possédant éléments . Chaque état est donc représenté par un couple ( , ) ou ce qui revient au même par un symbole complexe Dans le cas particulier mais très fréquent où M peut s‟écrire , alors les représentent un mot de n bits et les représentent aussi un mot de n bits. L‟intérêt de cette configuration est que le signal s(t) est obtenu par une combinaison de deux porteuses en quadrature modulées en amplitude par des symboles et indépendants. Cette modulation prend naturellement le nom de modulation d‟amplitude en quadrature (MAQ) et si sa constellation comporte E états, on la note MAQ-E (voir figure (Π.1)). 39 QAM-16 3 2 quadrature 1 0 -1 -2 -3 -3 -2 -1 0 phase 1 2 3 Figure (Π.1) modulation QAM à 16 états Π.3) Conclusion : Après ces brefs rappels sur quelques notions de télécommunication, nous allons entamer la deuxième partie de ce rapport dans laquelle nous verrons, après avoir passé en revue l‟estimateur basé sur la cyclostationnarité, la méthode utilisée pour l‟estimation de la période symbole, c'est-à-dire la nouvelle méthode de déconvolution qui se base sur le critère du module constant. 40 Chapitre2 : Estimation de la période symboles II.2.1) Introduction : Comme nous l‟avons évoqué un peu plus haut, cette partie concerne l‟estimation de la période symbole. Mais avant de parler de la nouvelle méthode basée sur le concept de la déconvolution, nous allons parler d‟abord brièvement d‟une méthode d‟estimation basée sur l‟estimation par détection de la fréquence cyclique (appelée aussi méthode classique) et voir quelques inconvénients qui pourront être évités avec la nouvelle méthode. Nous verrons ensuite que la combinaison de ces deux méthodes permet de garantir une meilleur estimation de . Enfin nous parlerons de la manière dont l‟estimation de la période symbole est réalisée en présence d‟un résidu de porteuse. II.2.2) Estimation par détection de fréquences cycliques : L'approche en question, comme nous l‟avons évoqué plus haut dans la problématique, consiste à remarquer que le signal en sortie du filtre c‟est-à-dire (équation (Π.1)) est cyclostationnaire à l‟ordre 2, et que le débit symbole 1/Ts est sa plus petite fréquence cyclique strictement positive. Ceci s‟explique par le fait que le support de la fonction de transfert de la réponse impulsionnelle est borné (car appartenant à l‟intervalle [-B,B], avec , le facteur d‟excès de bande). Ainsi, en dehors de cette bande, cette fonction de transfert étant nulle, il en est de même pour le cyclo-spectre car relié à la fonction de transfert par [8] : (Π.4) Avec la variance du signal d‟entrée. Ainsi, les seules valeurs de k qui n‟annulent pas fréquences cycliques sont donc . sont donc 1, 0, -1. Les Dans ce cas, le facteur d‟excès de bande ou de roll-off doit être très grand devant 0 et strictement inférieur à 1 pour des raisons que nous verrons peu après. 41 Ce problème d'estimation est relativement classique, et se résous en pratique à partir du signal à temps discret obtenu par échantillonnage de y(t) à une période Te qui respecte Shannon. On remarque en effet que est cyclostationnaire et que sa plus petite fréquence cyclique positive correspond à . Autrement dit, il existe un entier k tel que l‟autocorrelation cyclique considérée au point k et à la fréquence cyclique est non nulle. Estimer équivaut donc à estimer la plus petite fréquence cyclique de . Pour ceci, on peut par exemple définir l‟estimée de comme l‟argument d‟une certaine fonction de coût définie de la manière qui suit : (Π.5) où cyclique est l‟estimateur de l‟autocorrelation cyclique de et à l‟instant K défini par : à la fréquence (Π.6) I est un intervalle de recherche de qu‟il faut choisir avec précaution. N est le nombre d‟échantillons disponibles et K est un paramètre qu‟il faut choisir de telle sorte qu‟il permette une bonne estimation de . Comme nous l‟avons dit précédemment, le choix du roll-off est d‟une importance capitale pour une bonne estimation. En effet, si la bande passante du signal d‟entrée est de l‟ordre de , l‟autocorrelation cyclique du signal de sortie prend des valeurs très faibles. La méthode ainsi présentée, conduit alors à des performances qui peuvent être médiocres si on ne considère pas un grand nombre d‟échantillons, ce qui pourrait être un inconvénient dans les applications temps réel. 42 II.3) Procédure d’estimation de en utilisant une nouvelle méthode: La plus populaire des fonctions de coût utilisées pour déterminer le filtre égaliseur est sans doute le critère du module constant introduit par Godard dans [5] et étudié ensuite par de nombreux auteurs. Cette fonction nous permet aussi de déterminer la période symbole. II.3.1) Principe général de la méthode : Afin d‟estimer , nous proposons d'échantillonner le signal reçu y(t) à une fréquence initiale (une période qui respecte le théorème d‟échantillonnage de Shannon), puis de générer par interpolation le signal pour chaque valeur de appartenant à une grille discrète de points bien choisie. Notons au passage que n‟est en général pas stationnaire, mais cyclostationnaire (ou presque périodiquement corrélée). Pour chaque , un CMA (Constant Modulus Algorithm), permet de construire un égaliseur fonctionnant à cette cadence et qui minimise le critère du module constant introduit par Godard dans [6 ]et qui est utilisable sous certaines conditions que nous verrons après . La valeur minimale du critère est égale à . La figure II.2 illustre le procédé ci-dessus. On obtient alors un estimateur initial de la période symbole en cherchant le point de la grille pour lequel est minimum. L'inconvénient majeur de cette approche est évidemment sa complexité : elle nécessite en effet de mettre en oeuvre un égaliseur en tout point de la grille, alors que les méthodes cycliques sont quant à elles beaucoup moins complexes. Figure II.2 : génération de la fonction de coût 43 Pour mener à bien ce travail, on commence d‟abord par des cas qui sont plus ou moins simples c‟est à dire qu‟on considère pour un début que qui est la fréquence de décalage de la porteuse (appelé aussi résidu de porteuse) est nulle, c‟est à dire que, dans un premier temps, nous supposons pour des raisons de simplifications que la fréquence porteuse de l‟émetteur est connue du récepteur et donc que le signal reçu a pu être ramené en bande de base. Une fois cette étape franchie, nous généraliserons l‟approche au cas où un résidu de fréquence porteuse est présent. II.3.2) Calcul de la période symbole Soit la fonction de transfert d‟un égaliseur numérique fonctionnant à la cadence . On désigne par le signal à temps discret en sortie de l‟égaliseur excité par les échantillons . (Π.7) Cette équation peut être réécrite sous la forme suivante : (Π.8) Posons , l‟équation ci-dessus (II.8) peut être exprimée sous la forme suivante, car dépendant de mais aussi de : (Π.9) La fonction de coût qui sera utilisée pour la minimisation peut être écrite sous la forme générique suivante [3]: (Π.10) 44 Avec et des fonctions mathématiques à valeurs réelles définies sur C et qui so nt respectivement concaves sur et convexes sur R. Elles sont de plus, continûment différentiables. sont des fonctions polynômes en , ou . Pour être une fonction de contraste, J(G,α) doit vérifier les conditions suivantes : admet une limite inférieure c’est à dire qu’il existe un réel constant k tel que pour tout filtre stable G, . L’égalité survient si et seulement si =1 c’est-dire = . ( , , , ) sont définies de telles sortes que ainsi défini soit une fonction de contraste avec une borne inférieure que nous appellerons K. Dans cette perspective, nous pouvons envisager deux cas: celui-ci est différent de 1 ( ≠1). = 1 un cas et un autre où Dans le premier cas, c'est-à-dire = , il est important de noter que est une suite stationnaire. En effet, le signal analogique reçu y(t) est le résultat d‟un filtrage linéaire par H(f) du signal cyclostationnaire s(t) et, par conséquent, est luimême cyclostationnaire de période . Il en va de soi donc que le signal à temps discret est de même pour la sortie de l‟égaliseur est stationnaire, il en . Lorsque = , le critère du module constant introduit par Godard [5] est obtenu à partir de l‟équation (II-10) en remplaçant les fonctions définies ci-dessus par: Ce qui donne : (Π.11) Cela conduit à la propriété suivante [9] : 45 Propriété : si et seulement si la suite est de module constant égale à 1 : Dans le deuxième cas, les données reçues sont échantillonnées avec une période quelconque, les signaux et sont en général non stationnaires. Par conséquent la quantité dépend de n. Dans ce cas plus général, il nous faut donc une autre fonction de coût plus générale. En partant une fois de plus de l‟équation (II-10) et en remplaçant les fonctions ( , , , ) on a : (Π.12) La mise en œuvre et les propriétés de cet algorithme ont été largement étudiées dans la littérature, notamment dans [5], [10]. Nous faisons l‟hypothèse suivante [9] : Supposons que la bande passante du signal y(t) soit inférieure à du canal de propagation s‟annule dans un également que la réponse fréquentielle intervalle de fréquence . Alors le critère Supposons définit par : vérifie les deux conditions suivantes : 46 La période symbole est donc obtenue en minimisant cette fonction de coût qui non seulement dépend de par l‟intermédiaire de , mais aussi du filtre numérique (ou filtre égaliseur) G(z) , dont le rôle est de compenser l‟effet des trajets multiples ; ce qui permet ainsi de retrouver les données émises à un retard et / ou un décalage près. Cependant, il n‟est pas aisé de pouvoir minimiser cette fonction de coût puisque, comme nous l‟indique l‟équation (II.12) cette fonction est à deux variables (G et ). Et c‟est justement pour cette raison qu‟on va d‟abord fixer une des valeurs c'est-à-dire et la faisons varier dans une certaine plage (par l‟intermédiaire de ), ensuite cherchons pour chacune des valeurs de , le G tel que la fonction de coût soit minimale. Autrement dit, pour chaque valeur de correspond une fonction de coût minimale par rapport à G. Toutefois, cela ne nous permet d‟avoir que pour l‟instant. Sachant que cette dernière dépend de (et donc de ), le tracé de la courbe de cette dernière par rapport à , nous montrera qu‟ il existe bien un minimum et qu‟il est atteint pour seulement dans l‟exemple considéré). II.4) Complémentarité des deux méthodes : La fonction de coût ne se prête pas à une optimisation par algorithme du gradient. Si la densité de la grille n'est pas suffisante pour produire un estimateur de variance suffisamment faible, il est donc nécessaire de réitérer la procédure d'optimisation de sur une grille plus étroite et centrée sur la première estimée de Ts. En revanche, les méthodes cycliques permettent de mettre en œuvre un algorithme du gradient. Toutefois, elles sont basées sur la minimisation d'une fonction de coût souffrant de nombreux maxima locaux et nécessitent donc d'utiliser, comme dans la méthode proposée, une recherche exhaustive sur une grille afin de mettre en évidence une estimée initiale de Ts. Lorsque l'estimée initiale ainsi obtenue ne coïncide pas avec le point de la grille le plus proche de Ts (on parle alors de fausse détection), l'algorithme du gradient peut être mis en échec. 47 Par conséquent, une procédure globale d'estimation de la période symbole consiste à effectuer dans un premier temps une recherche exhaustive en utilisant celle des deux méthodes mentionnées qui fournit le plus faible pourcentage de fausses détections, puis, dans un deuxième temps, d'initialiser un algorithme du gradient basé sur les méthodes cycliques. Il reste donc à déterminer par simulation le pourcentage de fausses détections correspondant à chacune des méthodes [9]. II.5) Présence d’un résidu de fréquence porteuse Supposons cette fois, qu‟un résidu de fréquence porteuse subsiste dans le signal reçu y(t). La question est donc comment cette hypothèse influe-t-elle sur les solutions du critère du module constant ? Si l‟égaliseur G(f) est tel que, pour une certaine période d‟échantillonnage , le critère du module constant est nul, comment donc la période symbole peut-elle être estimée ? Nous montrons ici que les solutions de la condition de module constant peuvent être aisément déduites du cas où le résidu de porteuse est supposé nul. Grâce à une démarche identique à celle du paragraphe précédent, il apparaît que le signal y(t) reçu comme nous l‟avons écrit plus haut (équation (II.1) ) est : + D‟après [8], on a la proposition suivante : Proposition : Supposons en outre qu‟il existe un résidu de porteuse non nul et que le signal z(t) observé en sortie de l‟égaliseur est de module constant. Alors pour réel, on peut écrire : où correspond à une solution du critère du module constant caractérisé au paragraphe précédent, dans le cas où le résidu de porteuse est supposé nul. Cette proposition signifie qu'il y a équivalence, à un facteur près, entre les solutions du critère du module constant dans le cas où le résidu de fréquence porteuse est nul et dans le cas où il vaut . 48 II.6) Conclusion : Dans cette partie, nous avons vu entre autre l‟estimation de la période symbole avec les deux méthodes d‟estimation ; nous avons vu qu‟avec la méthode du critère du module constant, nous obtenons de bonnes estimations contrairement à celle clas sique où nous avons vu que lorsque le roll-off est très petit, l‟estimation peut être faussée. Toutefois, cette dernière est plus facile à mettre en œuvre que la première. En outre, nous avons vu aussi que la combinaison de ces méthodes donne des meilleurs résultats. Pour finir, nous avons, pour la CMA, que l‟estimation en présence d‟un résidu de porteuse se déduit facilement, contrairement à ce que nous pouvons nous attendre. 49 PartieIII : résultats et discussion III.1 Simulation : Dans cette partie nous allons étudier les performances du détecteur en fonction du rapport signal à bruit (RSB) et en deuxième partie en fonction de l‟atténuation entre les deux signaux. Nous générons le premier signal (large bande) avec Ns1= 10000 symboles (nombre de symbole par segments), le nombre de segment est de 100, le nombre totale de symbole du signal est de 10000*100=1000000 symboles chaque symbole a une duré Ts = 0.5 s Te= 0.1 s , la bande du signal est B=3MHZ, les symboles seront mis en forme par un filtre en racine de cosinus surélevé avec 0.5 (le rolloff), une fois le signal généré nous allons le modulé par une modulation QAM à 4 états, pour le signal bande étroite Ns2= 1000 symboles, chaque symboles a une duré e Ts= 5 s on fait varié le RSB et on estime le spectre du signal reçu pour chaque valeur du RSB ensuite on fait le test de détection pour chaque segment du signal. 8 6 6 6 5 5 5.5 6 5 4 0 50 100 150 4.5 0 50 100 150 4 0 50 100 150 4 6 6 6 6 5 4 4 4 4 2 2 2 3 0 50 100 150 0 0 50 100 150 0 0 50 100 150 0 6 6 6 6 4 4 4 4 2 2 2 2 0 0 50 100 150 0 0 50 100 150 0 0 50 100 150 0 6 6 6 6 4 4 4 4 2 2 2 2 0 0 50 100 150 0 0 50 100 150 0 0 50 100 150 0 0 50 100 150 0 50 100 150 0 50 100 150 0 50 100 150 Figure(10) : représentation des différents détecteurs dans chaque bande La figure suivante nous montre les différents tests de détection sous H1 et H0 effectués dans chacune des bandes du signal. Dans le premier carré nous voyons bien que le spectre en bleu qui représente l‟hypothèse H1 est supérieur au seuil de 50 détection, donc cela indique la présence du signal bande étroite tant dis que le spectre ver qui représente l‟hypothèse H0 est au dessous du seuil (rouge) et donc on a que le signal large bande qui est présent. Dans le deuxième carré de la figure nous voyons bien que les deux s pectres se superpose car il n ya plus de signal bande étroite, après nous remarquons que les deux spectre continue à diminuer dans les autres carrés jusqu'à ce qu‟on ai que le spectre du bruit et qui restera constant dans tous les autres carré. D‟après la figure nous pouvons déduire que la méthode utilisée nous permet aussi d‟estimer la bande de fréquence de la porteuse inconnue et même de la localiser dans la bande de la porteuse utile (porteuse large bande), chose très importante pour extraire les informations sur la porteuse. 6.8 bleu spectre sous H1 ver spectre sous H0 rouge seuil 6.6 6.4 6.2 6 5.8 5.6 5.4 5.2 5 0 20 40 60 80 100 120 140 Figure(11) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit (RSB=10 dB) Dans cette figure nous voyons bien que le spectre en bleu qui représente l‟hypothèse H1 est supérieur au seuil de détection, donc cela indique la présence du signal bande étroite après on voit qu‟il commence à diminuer jusqu‟à ce qu‟il disparaisse et se superpose avec le spectre ver qui représente l‟hypothèse H0 et donc on a que le signal lar ge bande qui est présent. 51 7 bleu spectre sous H1 ver spectre sous H0 seuil de detection 6.8 6.6 6.4 6.2 6 5.8 5.6 5.4 5.2 0 20 40 60 80 100 120 140 Figure(12) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit (RSB=8 dB) 8 bleu spectre sous H1 ver spectre sous H0 seuil de detection 7.8 7.6 7.4 7.2 7 6.8 6.6 6.4 0 20 40 60 80 100 120 140 Figure(13) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit (RSB=2 dB) 52 8.4 bleu spectre sous H1 ver spectre sous H0 seuil de detection 8.2 8 7.8 7.6 7.4 7.2 7 6.8 6.6 0 20 40 60 80 100 120 140 Figure(14) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit (RSB=1.5 dB) 8.8 bleu spectre sous H1 ver spectre sous H0 seuil de detection 8.6 8.4 8.2 8 7.8 7.6 7.4 7.2 7 6.8 0 20 40 60 80 100 120 140 Figure(15) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit (RSB=1 dB) 53 Dans cette figure en voit que les deux spectres sous H1 et sous H0 dépasse le seuil de détection donc on constate que nous avons une fausse alarme ce qui revient à dire que pour détecter la présence du signal nous devons avoir un RSB supérieure ou égale à 1.5 dB. Pour cette partie nous allons fixer le RSB à 10 dB et nous allons varier l‟atténuation entre les deux porteuses et voir jusqu‟à quelle rapport on peut détecter le signal. 6.4 bleu spectre sous H1 ver spectre sous H0 seuil de detection 6.2 6 5.8 5.6 5.4 5.2 5 0 20 40 60 80 100 120 140 Figure(16) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit RSB=10 dB et une atténuation de 8dB 54 6 bleu spectre sous H1 ver spectre sous H0 seuil de detection 5.9 5.8 5.7 5.6 5.5 5.4 5.3 5.2 5.1 5 0 20 40 60 80 100 120 140 Figure(17) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit RSB=10 dB et une atténuation de 10dB 5.6 bleu spectre sous H1 ver spectre sous H0 seuil de detection 5.5 5.4 5.3 5.2 5.1 5 0 20 40 60 80 100 120 140 Figure(18) : représentation des deux spectres sous H1 et H0 pour un rapport signal à bruit RSB=10 dB et une atténuation de 14dB 55 Figure (19) : probabilité de détection et de fausse alarme en fonction de l‟atténuation III.2 Deuxième méthode de détection : La deuxième méthode est la suivante : On suppose les deux hypothèses suivantes : H0 = x1 t + b(t ) t x t b (t) H1 = x 1 2 Où x1 (t ) représenté le signal de la porteuse large bande et x 2 (t ) représenté le signal qu‟on veut détecter. On rappelle qu‟on a aucune information sur x 2 (t ) on suppose qu‟on dispose d‟une mesure où on a que le signal large bande ; à la réception le signal reçu est le suivant X ( t ) x ( t ) x ( t ) b ( t ) r 1 2 On soustrait le signal x1 (t ) du signal reçu et on trouve le signal x 2 (t ) plus le bruit ainsi qu‟un résidu de la soustraction puisque on dispose que des valeurs estimés des symboles nous allons supposés que ce biais est négligeable donc le signal reçu devient : Xr(t) = x2(t) b(t) Comme nous n‟avons aucunes informations sur le signal qu‟on veut détecter donc on ne connaît pas son rythme symbole et donc nous allons le ré-échantillonnées au rythme symbole de la porteuse plus large ce qui a pour effet de sur-échantillonnée le signal. Les résultats de cette méthode sont représentés dans la figure suivante 56 signal bande étroite émis 0.05 0 -0.05 0 200 400 600 800 1000 1200 1400 1600 1800 2000 1600 1800 2000 1600 1800 2000 signal bande étroite avant le filtre adapté 0.05 0 -0.05 0 200 400 600 800 1000 1200 1400 signal bande étroite après le filtre adapté 0.05 0 -0.05 0 200 400 600 800 1000 1200 1400 Figure(20) : représentation du signal bande étroite avant et après le filtre adapté Pour un SNR=20dB Dans la figure précédente nous remarquons que pour un très grand SNR (SNR=20dB) la porteuse à bande étroite est parfaitement détecté et la séquence après le filtre adapté est identique à celle qui a étais émise. signal bande étroite émis 0.05 0 -0.05 0 200 400 600 800 1000 1200 1400 1600 1800 2000 1600 1800 2000 1600 1800 2000 signal bande étroite avant le filtre adapté 0.1 0 -0.1 0 200 400 600 800 1000 1200 1400 signal bande étroite après le filtre adapté 0.1 0 -0.1 0 200 400 600 800 1000 1200 1400 Figure(21) : représentation du signal bande étroite avant et après le filtre adapté Pour un SNR=12dB 57 signal bande étroite émis 0.1 0 -0.1 0 200 400 600 800 1000 1200 1400 1600 1800 2000 1600 1800 2000 1600 1800 2000 signal bande étroite avant le filtre adapté 0.5 0 -0.5 0 200 400 600 800 1000 1200 1400 signal bande étroite après le filtre adapté 0.5 0 -0.5 0 200 400 600 800 1000 1200 1400 Figure(22) : représentation du signal bande étroite avant et après le filtre adapté Pour un SNR=10dB Comparaison : Après les différentes simulations que nous avons faites nous pouvons dire que pour des SNR très grand les deux méthodes présentent de bonnes performances mais la méthode d‟Alcatel est plus simple à implémentée et plus rapide, d‟un point de vu complexité elle est plus recommander mais malheureusement c‟est rarement le cas qu‟on ait de très bon SNR sur tout dans ce genre d‟application (écoute passive) du coup les performances ce dégrades très vite dès que le SNR est faible (limité à 11dB) par contre la méthode que nous avons développés présente de très bonne performance même pour un SNR très faible (1.5dB) . Conclusion : Dans ce chapitre, nous avons présenté les performances des deux méthodes pour la détection d‟une porteuse inconnue noyée dans une porteuse plus large en présence du bruit. Ces performances ont pu êtres illustrées par des simulations qui ont prouves que la méthode que nous avons développés présente de meilleurs performances que celle utilisé par ALCATEL cette méthode qui est basé en grande partie sur l‟estimation du seuil de détection, les performances de cette méthode repose sur la qualité de l‟estimateur, plus notre estimateur est optimale plus les performances de notre méthode sont meilleurs comme nous l‟ont montré les simulations précédentes. 58 Résultats et simulation de la Partie II : Introduction : Dans cette partie, nous présenterons le contexte dans lequel les différentes simulations ont été réalisées. Nous parlerons de l‟efficacité de la méthode b asée sur la CMA et la qualité de notre estimateur et ce, en calculant des grandeurs comme l‟espérance mathématique, la variance et l‟erreur quadratique moyenne (EQM) et d‟autre part, voir à partir de quel rapport on a une bonne détection ? Pour mener à bien cette tâche, nous considérons dans un premier temps qu‟on n‟a pas de multi-trajets, pour voir déjà si le programme fonctionne dans ce cas simple. Puis une fois que c‟est confirmé on passe à la chaîne complète en ajoutant les multi-trajets. III.3) Contexte de simulations En effet, notre objectif, est de simuler un signal échantillonné à 2.8 échantillons par symbole. Pour cela, nous avons d‟abord pris une période de symbole de 28, ce qui est 10 fois plus grande que ce que nous recherchons. Ensuite, c‟est seulement après mise en forme du signal, c'est-à-dire qu‟en sortie du filtre et avant émission qu‟on fait une décimation d‟un facteur 10. Ce qui nous permet donc de transmettre à 2.8 échantillons par symbole. Le signal émis provient d‟une source numérique modulé par une modulation de type QAM et qui délivre des séquences de symboles i.i.d qui passent à travers un filtre de mise en forme, qui dans notre cas est un filtre de Nyquist en racine de cosinus surélevé avec un roll-off (facteur d‟excès de bande petit pour montrer la robustesse de cette méthode de déconvolution. Nous considérons un canal à trajets multiples. Nous avons pris par exemple canal = [ ] On suppose de plus qu'un bruit gaussien de densité spectrale de puissance égale à dans la bande s‟ajoute au signal reçu. On note Eb l‟énergie du signal par bit. Les étapes suivies par notre programme sont représentées sur le schéma suivant : 59 Figure III.1 : les différentes étapes suivies pour retrouver Ts Comme nous l‟avons dit, et comme les courbes suivantes vont le corroborer, le minimum est pour la fonction coût est atteinte en TS = 2.8 échantillons par symbole. Dans un cadre pratique, étant donné qu‟on n‟a aucune connaissance de la fonction (II.12), on est amené à estimer cette dernière. Pour cela, on substitue à l ‟espérance mathématique E { }une moyenne empirique calculée à partir des échantillons disponibles. On définit ainsi l‟estimateur (II.12) de la façon suivante [3]: (III.1) Où N est le nombre d‟échantillons contenus dans le signal reéchantillonné qui est en entrée du filtre égaliseur. la sortie du filtre égaliseur contient la séquence des symboles émis c‟est-à-dire avec un éventuel retard et/ou décalage. 60 III.4) Résultats obtenus et analyse : Pour un premier temps, nous avons fait les simulations sans prendre en compte le canal et en prenant un filtre de mise en forme en racine de cosinus surélevé (comme nous le montre le schéma ci-dessus) dans le but de vérifier si notre programme marche. Nous avons seulement rajouté du bruit dans le signal après l‟opération de décimation. 1.28 1.26 1.24 J 1.22 1.2 1.18 1.16 1.14 1.12 2.2 2.4 2.6 2.8 3 3.2 3.4 Nombre d"echantillons par symboles dans le signal reçu FigureIII.1 Minimum de la fonction de coût en Ts=2.8 échantillons par symbole Nous constatons ainsi que le minimum est atteint en Ts=2.8 échantillons par symbole pour un rapport signal à bruit . 61 1.28 1.26 1.24 1.22 J 1.2 1.18 1.16 1.14 1.12 1.1 1.08 2.2 2.4 2.6 2.8 3 3.2 3.4 Nombre d"echantillons par symboles dans le signal reçu FigureIII.2 Minimum de la fonction de coût en Ts=2.8 échantillons par symbole pour un rapport signal à bruit 1.9 1.85 1.8 J 1.75 1.7 1.65 1.6 1.55 1.5 2 2.5 3 3.5 4 4.5 Nombre d"echantillons par symboles dans le signal reçu 5 FigureIII.3 Tracer de la fonction de coût pour un Ts=2.8 échantillons par symbole pour un rapport signal à bruit 62 Dans cette figure nous remarquons bien que le minimum n‟est pas atteint en Ts=2.8 et malgré qu‟il n‟y ai pas de multi-trajet et que nous avons un bon rapport signal à bruit, pour remédiez à ce problème nous avons ajouter une fonction d‟optimisation qui cherche le minimum de la fonction coût ce qui nous as permis de gagner quelques précieux dB, la figure suivante illustre les nouveaux résultats. 1.3 1.28 1.26 J 1.24 1.22 1.2 1.18 1.16 1.14 2.2 2.4 2.6 2.8 3 3.2 3.4 Nombre d"echantillons par symboles dans le signal reçu FigureIII.4 Tracer de la fonction de coût pour un Ts=2.8 échantillons par symbole pour un rapport signal à bruit 63 1.34 1.32 1.3 J 1.28 1.26 1.24 1.22 1.2 1.18 1.16 2.2 2.4 2.6 2.8 3 3.2 3.4 Nombre d"echantillons par symboles dans le signal reçu 3.6 FigureIII.5 Tracer de la fonction de coût pour un Ts=2.8 échantillons par symbole pour un rapport signal à bruit Nous constatons que le rapport signal à bruit minimal qu‟il faut pour estimé le rythme symbole est de 7dB. Maintenant nous allons rajouter un canal multi-trajets à fin de tester la robustesse de la méthode. 64 1.2 1.18 1.16 J 1.14 1.12 1.1 1.08 1.06 1.04 2.2 2.4 2.6 2.8 3 3.2 3.4 Nombre d"echantillons par symboles dans le signal reçu FigureIII.6 Tracer de la fonction de coût pour un Ts=2.8 échantillons par symbole et en présence d‟un canal multi-trajets pour un rapport signal à bruit 1.25 1.2 J 1.15 1.1 1.05 1 2.2 2.4 2.6 2.8 3 3.2 3.4 Nombre d"echantillons par symboles dans le signal reçu FigureIII.6 Tracer de la fonction de coût pour un Ts=2.8 échantillons par symbole et en présence d‟un canal multi-trajets pour un rapport signal à bruit . 65 Nous constatons que pour un canal multi-trajets nous avons besoin d‟un rapport signal à bruit plus élevé ( ) car il fait une rotation de la constellation ce qui rends la décision des symboles émis à la réception plus difficile et donc une erreur d‟estimation plus grande d‟où la nécessité d‟un RSB plus grand. III.5) Qualification de l’estimateur Comme nous l‟avons évoqué, nous allons voir l‟efficacité de l‟estimateur en calculant sa variance et son erreur quadratique moyenne. Nous savons que, plus ces quantités sont faibles, meilleur est l‟estimateur. Le calcul de ces grandeurs dans le cas de notre estimateur nous a permis de trouver des valeurs qui varient autour de zéro : Variance= 0.0233 ; EQM=0.0322. Nous pouvons donc conclure que notre estimateur est efficace vue la faiblesse des grandeurs ci-dessus. Ce qui nous amène à dire aussi que cet estimateur est robuste vis-à-vis des interférences et des multi-trajets. III.6) Conclusion Nous avons dans cette partie de simulation, pu confirmer les résultats théoriques montrant les performances de cette méthode, basée sur le concept de la déconvolution. Hormis les critères de performances qu‟on a vus, il existe aussi d‟autres qui permettent de confirmer tout ce qui fait en termes de performances. On peut citer l‟excès de bande, qui plus elle est petite, meilleure est la détection. 66 Conclusion générale : Il est bien connu que le récepteur optimal pour la détection d‟un signal déterministe dans un bruit gaussien est le filtre adapté. Ce résultat est couramment utilisé dans un contexte de communications où l‟hypothèse d‟un signal déterministe est souvent réaliste. Ceci n‟est pas toujours le cas dans un contexte non coopératif. Dans ce dernier cas, les paramètres inconnus n‟ont pas de densité de probabilité connue a priori, le GLR est alors utilisé et les paramètres sont estimés par le principe du maximum de vraisemblance. Dans ce mémoire, on s‟est placé à un degré de connaissance moindre sur le signal à détecter. En effet, on s‟est intéressé aux signaux modulés que nous avons modélisés par des processus cyclo-stationnaire. Nous avons ensuite élaboré une méthode qui est principalement basé sur l‟estimation du spectre et le découpage en plusieurs bandes, mais la nouveauté est que au lieu d‟utiliser un seuil bien connu et fixe nous avons choisis de mettre un seuil variable en fonction du spectre du signal que nous avons estimé ce qui nous as permis de détecter le signal à des RSB très faible. Dans le ca dre de notre étude nous avons supposés que le résidu fréquentiel dû aux fêtes de ramener le signal en bande de base avec un Ts différent a pour effet de rajouter du bruit à nos mesures mais nous proposons comme perspective de prendre en considération le décalage fréquentiel entre les deux porteuses et de l‟estimer en même temps qu‟on fait notre détection afin d‟avoir une étude encore plus précise et qui s‟approche plus de la réalité. Nous proposons aussi d‟utiliser d‟autres estimateurs du spectre du signal que nous avons utilisés dans notre étude, des techniques qui sont plus performantes que celles utilisé ici (méthode haute résolutions) qui pourrons encore améliorés les performances de notre méthode car la robustesse de cette dernière repose essentiellement sur l‟estimation du spectre. Dans la seconde partie nous avons étudié le problème de l‟estimation de la période symbole des signaux de télécommunications émettant à travers des canaux de propagation à trajets multiples. Le but fixé, étant de mettre en évidence une méthode d‟estimation du débit plus performante que celles qui existent déjà. Cette dernière est basée sur les principes de déconvolution. Une étude théorique et expérimentale de notre estimateur a été réalisée. Souvent en évoque dans la littérature la complexité de calcul des méthodes de détection cyclostationnaire. Une évaluation du surcoût de complexité peut s‟avérer intéressante. Dans ce mémoire, nous nous sommes concentrés sur le développement des méthodes de détection et extraction d‟information avec le minimum d‟informations a priori. Mais, on pourrait envisager dans la continuité de ce travail une étude de la complexité. De plus, il serait intéressant de comparer les performances et la complexité de la méthode développée avec les autres méthodes de détections que l‟on peut trouver dans la littérature. En terme de perspective, nous pensons qu‟il sera intéressant d‟étendre ce type d‟approche au contexte de modulations non linéaires telles que par exemples la modulation quasi linéaire GMSK (Gausian Minimum Shift Keying). 67 Bibliographie: [1] H. L. Van Trees. Detection, Estimation, and modulation Theory, part I, II, III. NY: john Wiley & Sons, 1971. [2] W.S. BURDIC. Detection of Narrowband Signals Using Time-Domain Adaptive Filters VOL. AES-14, NO. 4 JULY 1978 [3] Sébastien Houcke, Antoine Chevreuil, and Philippe Loubaton. Joint Blind Equalization And Estimation Of The Symbol Period: A Contrast Function Approach [4] L. Mazet and P. Loubaton, “Cyclic correlation based symbol rate estimation,” in Proceedings of ASILOMAR, Pacific Grove, California, october 1999, pp. 1008–1012 [5] D.N. Godard, “Self recovering equalization and carrier tracking in two dimensional data communications systems,” IEEE Tr. on Communications, vol. 28, no. 11, pp. 1867–1875, November 1980. [6] A.V. Dandawaté and G.B. Giannakis, “Statistical tests for presence of cyclostationarity,” IEEE Trans. on Signal Processing,vol. 42, no. 9, september 1994. [7] F. Gini and G.B. Giannakis, “Frequency offset and symbol timing recovery in flatfading channels: a cyclostationary approach” ,IEEE Trans. on Comm., vol. 46, no.3, pp. 400–411, march 1998. [8] S. Houcke, “Séparation autodidacte d’un mélange de sources éméttant à des débits inconnus et éventuellement différents” thèse de doctorat à l‟université Marne la Valée. [9] P. Bianchi “Démodulation aveugle de modulations non linéaires à phase continu” thèse de doctorat à l‟ université Marne la Valée. [10] O. Shalvi and E. Weinstein, \New criteria for blind deconvolution of nonminimum phase systems (channels)," IEEE Trans. on Information theory, vol. 36, no. 2, pp. 312{321, March 1990. [11] J.G. Proakis. Digtal Communications. Mac Graw Hill, 2001. [12] M. Joindot , A.Glavieux Introduction aux communications numériques Dunod 2007 [13] M. Charbit. Eléménts de théorie du signal : Les signaux aléatoires. Collection Pédagogique de Télécommunications. Ellipses, 1991 68 [14] C. Francis “Analyse spectrale Traité IC2, série Traitement du signal et de l'image” 2003. [15] Céline Bouder, Stéphane Azou, Gilles Burel“ Estimation, en contexte non coopératif, des paramètres d‟une transmission à spectre étalé par séquence directe” IEEE Traitement du Signal, Vol. 20, No. 4, 2003 [16] G. Burel, “Detection of spread spectrum transmissions using fluctuations of correlation estimators”, IEEE ISPACS’2000, Honolulu, Nov. 2000. [17] M. K. Tsatsanis, G. B. Giannakis, “Blind estimation of direct sequence spread spectrum signals in multipath”, IEEE Trans. on Signal Processing, Vol. 45, N◦ 5, pp 1241-1252, May, 1997 [18] G. Burel, C. Bouder, O. Berder, “Detection of direct sequence spread spectrum transmissions without prior knowledge”, IEEE Globecom 2001, San Antonio, Nov. 2001. [19] L. A. Rusch and H. V. Poor, “Narrowband interference suppression in CDMA spread spectrum communications,” IEEE Transactions on Communications, vol. 42, no. 2, part 3, April 1993. [20] Leslie A. Rusch. H. Vincent Poor “Multiuser Detection Techniques for Narrowband Interference Suppression in Spread Spectrum Communications ” IEEE Transactions on communications, VOL. 43, NO. 2/3/4, February/March/April 1995 [21] K. Kim, Ihsan A. Akbar, Kyung K. Bae, Jung-sun Um∗, Chad M. Spooner, and Jeffrey H. Reed “Cyclostationary Approaches to Signal Detection and Classification in Cognitive Radio” Virginia Polytechnic Institute and State University Wireless @ Virginia Tech Mobile and Potable Radio Research Group 432 Durham Hall, Mail Stop 0350, Blacksburg, VA 24061, USA [22] R. S. Roberts, “Computationally Efficient Algorithms for Cyclic Spectral Analysis,” IEEE Signal Processing Magazine, Apr. 1991 [23] W. M. Gardner and C. M. Spooner, “Signal Interception: Performance Advantages of Cycle-Feature Detectors,” IEEE Transactions on Communications, vol. 40, no.1, Jan. 1992. [24] W. Chen, J.P. Reilly, and K.M. Wong. Detection of the number of signals in noise with banded covariance matrices. IEEE Transactions on Radar, Sonar and Navigation, 143(5):289_294, 1996. 69