Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université des Sciences et de la Technologie d’Oran

Mohamed Boudiaf

Faculté de Génie Electrique

Département d’Electronique

Mémoire en vue de l’obtention du diplôme de Magister

Spécialité : Electronique
Option : Système de Communication Moderne

Présenté par :
CHERIFI KHALFALLAH

Sujet du Mémoire

L’égalisation dans les systèmes

multiple Input – Multiple output
« MIMO »

Soutenu le : / /2010 DEVANT LE JURY COMPOSE DE :

Mr A. ALI PACHA Professeur (USTO) Président

Mr B. RAHMANI Professeur (USTO) Examinateur

Mr M. OUSLIM MC (A) (USTO) Examinateur

Mr A. BELGHORAF Professeur (USTO) Rapporteur

1
 Dédicaces

Je dédie ce modeste travail à :

Mes parents.
Ma famille.
Mes enseignants.
Mes collègues.

Tous ceux qui m’ont aidé pour compléter

ce travail.

CHERFI Khalfallah

2
Table des matières
DEDICAC i

REMERCIEMENTS ii

RESUME iii

TABLE DES MATIERES iv

LISTE DES FIGURES vii
NOTATIONS ET ABREVIATIONS x

INTRODUCTION GENERALE 1

CHAPITRE I : GENERALITES SUR LE CANAL RADIO 5

I.1 PRESENTATION D’UNE CHAINE NUMERIQUE ............................................... 5
I.2 PRESENTATION EN BANDE DE BASE................................................................. 6
I.3 INTERERENCE ENTRE SYMBOLE....................................................................... 7
3.1 CRITERE DE NYQUIST........................................................................................... 9
I.4 INTRODUCTION A L’EGALISATION................................................................... 9
I.5 CONCLUSION........................................................................................................... 11

CHAPITRE II : L’EGALISATION DANS UN CANAL SISO 13

II.1 LES TYPES D’EGALISEURS ................................................................................. 13
II.1.1 EGALISEURS LINIAIRES ..................................................................................... 13
II.1.1.1 Critère de miniisation de distorsion maximale ................................................ 15
II.1.1.2 Critère MMSE .................................................................................................. 17
II.1.2 EGALISEURS NON LINIAIRES............................................................................ 19
II.1.2.1 Egaliseurs récursif à retour de décision (DFE)............................................... 19
II.1.3 EGALISEUR A MAXIMUM DE VRAISEMBLANCE (MLSE)............................ 21
II.1.4 EGALISEUR EGALISEURS ADAPTATIFS ......................................................... 22

3
 II.1.4.1 Egaliseurs linéaire transverse adaptatifs......................................................... 23
II.1.4.2 Egaliseurs linéaire transverse adaptatifs......................................................... 26
II.1.4.3 Egaliseurs non linéaire adaptatifs(structure DFE adaptative)........................ 26
II.2 CONCLUSION........................................................................................................... 28

CHAPITRE III : INTRODUCTION AUX TECHNIQUES MIMO 31

III.1 ETAT DE L’ART DES TECHNIQUES MIMO ..................................................... 32
III.2 DIVERSITE SPATIALE........................................................................................... 35
III.3 REPRESENTATION DU SYSTEME MULTI-ANTENNAIRES ........................ 35
III.4 CANAL DE PROPAGATION MIMO ..................................................................... 37
III.5 MULTIPEXAGE SPATIAL ..................................................................................... 38
III.6 CODAGE SPATIO-TEMPOREL ............................................................................ 39
III.7 CAPACITE DU CANAL MIMO.............................................................................. 42
III.7.1 CONNAISSANCE DU CANAL A L’EMETTEUR ................................................ 43
III.7.1.1 Canal inconnu à l’émetteur.............................................................................. 43
III.7.1.2 Canal connu à l’émetteur ................................................................................. 43
III.7.1.3 Canal partiellement connu ............................................................................... 47
III.8 CONCLUSION........................................................................................................... 47

CHAPITRE IV : ALGIRITHMES DE RECEPTION ASSOCIES

AUX SYSTEMES MIMO 50
VI.1 METHODES D’EGALISATION CLASSIQUES ................................................... 51
VI.1.1 CRITERE DE FORCAGE A ZERO......................................................................... 51
VI.1.2 EGALISEUR A ERREUR QUADRATIQUE MINIMALE .................................... 51
VI.1.3 RECEPTEUR A MAXIMUM DE VRAISEMBLANCE ......................................... 52

VI.2 ALGORITHME V-BLAST ....................................................................................... 52

VI.3 ALGORITHME D-BLAST ....................................................................................... 54
VI.4 CONCLUSION........................................................................................................... 56

CHAPITRE V : SIMULATIONS ET RESULTATS 59

V.1 CANAUX SISO .......................................................................................................... 59
V.1.1 L’EGALISEUR ZF .................................................................................................. 70
V.1.2 L’EGALISEUR BASÉ SUR L’ERREUR QUADRATIQUE MOYENNE (EQM) . 70
V.1.3 EGALISEUR DES MOINDRES CARREES MOYENS (LMS) ............................. 71

4
 V.1.4 EGALISEUR DE MAXIMUM DE VRAISEMBLANCE ....................................... 72
V.2 CANAUX MIMO ....................................................................................................... 74
V.2.1 CAPACITE .............................................................................................................. 74
V.2.2 MRC ......................................................................................................................... 75
V.2.3 CODE D’ALAMOUTI............................................................................................. 75
V.2.4 TECHNIQUE DE BEAMFORMING ...................................................................... 76
V.2.5 PERFORMANCE D’EGALISEURS SUIVANT LE NOMBRE D’ANTENNES... 77
V.2.5.1 L’EGALISEUR ZF............................................................................................ 77
V.2.5.2 L’EGALISEUR MMSE ..................................................................................... 78
V.2.5.3 L’EGALISEUR ML........................................................................................... 79
V.2.5.3 L’EGALISEUR VBLAST .................................................................................. 80

V.3 CONCLUSION........................................................................................................... 81

CONCLUSION 82

BIBLIOGRAPHIE 84

5
Liste des figures

FIGURE I.1 : CHINE DE TRANSMISSION NUMERIQUE........................................................... 5

FIGURE I.2 : MODELISATION EN BANDE DE BASE............................................................... 6
FIGURE I.3 : INTERFERENCE ENTRE SYMBOLE DANS UNE TRANSMISSION NUMERIQUE. ......... 7
FIGURE I.4 : EXEMPLE D’UN CANAL A MULTI-TRAJETS........................................................ 8
FIGURE I.5 : ILLUSTRATION DE L’EGALISATION SPECTRALE. ............................................. 10
FIGURE I.6 : ILLUSTRATION DES INTERFRENCES TEMPORELLES. ...................................... 10
FIGURE II.1 : EGALISATION TRANSVERSALE LINEAIRE...................................................... 14
FIGURE II.2 : EGALISATION PAR FORÇAGE DE ZERO. ....................................................... 15
FIGURE II.3 : EGALISEUR DFE. ...................................................................................... 20
FIGURE II.4 : MODELISATION D’IES AVEC BABG............................................................... 22
FIGURE II.5 : GRAPHE EN TEREILLIS POUR UNE MEMOIRE A DEUX ETATS .......................... 22
FIGURE II.6 : STRUCTURE TRANSVERSALE ADAPTATIVE. ................................................. 24
FIGURE II.7 : STRUCTURE DFE ADAPTATIVE. .................................................................. 28
FIGURE III.1 : DIFFERENTS TYPE DE DIVERSITE SPATIALE................................................ 35
FIGURE III.2 : SYSTEMES MIMO. ................................................................................... 35
FIGURE III.3 : ILLUSTRATION DES DIFFRENTS SYSTEMES MULTI-ANTENNAIRES. ................. 36
FIGURE III.4 : MODELE DE CANAL MIMO. ........................................................................ 38
FIGURE III.5 : MULTIPLEXAGE SPATIALE SUE DEUX ANTENNES......................................... 39
FIGURE III.6 : CODEUR ESPACE-TEMPS D’ALAMOUTI....................................................... 40
FIGURE III.7 : EXEMPLE D’UN CODEUR D’ALAMOUTI. ....................................................... 41

6
FIGURE III.8 : DECOMPOSITION D’UN CANAL DE PROPAGATION MIMO................................ 45
FIGURE III.9 : TECHNIQUE DE WATERFILLING. ................................................................ 46
FIGURE III.10 : CAPACITE MOYENNE EN FONCTION DU DEGRE DE CONNAISSANCE DU CANAL.
.......................................................................................................................... 47
FIGURE VI.1 : DETECTION DES SYMBOLES REÇUS. ......................................................... 50
FIGURE VI.2 : EGALISATION ZERO FORCING................................................................... 51
FIGURE VI.3 : EGALISEUR V-BLAST. .............................................................................. 53
FIGURE VI.4 : EGALISEUR D-BLAST............................................................................... 54
FIGURE VI.5 : DECODAGE V-BLAST ET D-BLAST POUR NT=4 ............................................ 57
FIGURE V.1 : REPONSE IMPULSIONNELLE D’UNA CANAL A. .............................................. 60
FIGURE V.2 : POLE ET ZEROS DE CANAL PRAOKIS A. ...................................................... 60
FIGURE V.3 : REPONSE IMPULSIONNELLE D’UNA CANAL B. .............................................. 61
FIGURE V.4 : POLE ET ZEROS DE CANAL PRAOKIS B ....................................................... 61
FIGURE V.5 : REPONSE IMPULSIONNELLE D’UNA CANAL C ............................................... 62
FIGURE V.6 : POLE ET ZEROS DE CANAL PRAOKIS C........................................................ 62
FIGURE V.7 : SIGNAL BPSK A LA SORTIE DU CANAL PROAKIS A. ........................................ 63
FIGURE V.8 : SIGNAL BPSK A LA SORTIE DU CANAL PROAKIS B ......................................... 64
FIGURE V.9 : SIGNAL BPSK A LA SORTIE DU CANAL PROAKIS C ......................................... 65
FIGURE V.10 : PERFORMANCE DE L’EGALISEUR ZF......................................................... 70
FIGURE V.11 : PERFORMANCE DE L’EGALISEUR MMSE.................................................... 71
FIGURE V.12 : PERFORMANCE DE L’EGALISEUR LMS. ..................................................... 72
FIGURE V.13 : PERFORMANCE DE L’EGALISEUR MLSE. ................................................... 73
FIGURE V.14 : CAPACITE EN FONCTION DU NOMBRE D’ANTENNES. .................................. 74
FIGURE V.15 : REPRESENTATION DE LA PERFORMANCE MIMO AVEC MRC. ........................ 75
FIGURE V.16 : MIMO AVEC CODAGE D’ALAMOUTI. .......................................................... 76
FIGURE V.17 : COMPARAISON MIMO AVEC ET SANS BEAMFORMING.................................. 77
FIGURE V.18 : REPRESENTATION DE LA PERFORMANCE DE L’EGALISEUR ZF MIMO. ........... 78
FIGURE V.19 : REPRESENTATION DE LA PERFORMANCE DE L’EGALISEUR MMSE MIMO........ 79
FIGURE V.20 : REPRESENTATION DE LA PERFORMANCE DE L’EGALISEUR ML MIMO. ........... 80
FIGURE V.21 : REPRESENTATION DE LA PERFORMANCE DE L’EGALISEUR VBLAST MIMO. .... 81

7
Notations et abréviations
Notations
an Séquence d’information
xn Séquence de données émises
zn Séquence de données reçues
yn Séquence de données égalisées
b(t ) Le bruit
h Réponse impulsionnelle du canal
R Rapidité de modulation
B Bande passante
D0 Distorsion maximale
εk L’erreur quadratique moyenne
ek Etat de la mémoire
H Réponse impulsionnelle du canal MIMO
C La capacité de canal MIMO
H La matrice diagonale
UV I Matrices unitaires
λi Valeurs propres d’une matrice

Abréviations
BPSK Binary Phase Shift Keying
DFE Decision feedback Equalizer
EQM Erreur quadrratique moyenne
IES Interférence entre symbole
LMS Least Mean Square
MIMO Multiple Input Multiple Output
MLSE Maximum likelihood sequence estimation
MMSE Mean squar Equalizer
MV Maximum de Vraisemblance
RIF Réponse impulsionnelle finie
RII Réponse impulsionnelle infinie
RLS Récursive Least Square
RSB Rapport signal sur brui
SISO Simple Input Simple Output
TEB Taux d’erreur binaire
ZF Zero forcing

8
 Résumé :

L’objectif des travaux réalisés dans le cadre de cette thèse est d’étudier l’égalisation
dans les systèmes multi-antennes « MIMO » sur canaux de transmission sélectifs en
fréquences tels que ceux des communications mobiles urbaines sans fil ou réseaux
locaux sans fil. Le traitement des signaux reçus de canal constitue un point clé dans les
performances des systèmes de transmission dont les système MIMO : il doit être
optimisée pour conserver les avantages de la technologie MIMO en termes de débit et
de performance. Ainsi, pour une transmission MIMO-OFDM, afin d’égaliser le signal
reçu, le récepteur doit estimer non plus un seul canal comme dans un cas mono-antenne
mais un ensemble de sous-canaux constituant le canal MIMO. De plus, cette estimation
nécessite dans la majorité des cas une insertion dans la trame de symboles connus ce qui
entraîne une diminution de l’efficacité spectrale.
A l’émission, nous montrons que la construction des trames et plus particulièrement
la position des symboles pilotes nécessaires `a l’estimation de canal doit tenir compte du
nombre d’antennes `a l’émission. En réception, l’interpolation des coefficients obtenus
soit grâce aux symboles pilotes soit grˆace aux données estimées n’est efficace qu’en
utilisant les corrélations temporelle et/ou fréquentielle des sous-canaux. Afin de
s’affranchir de la connaissance de certaines propriétés du canal en réception, plusieurs
estimateurs robustes vis-à-vis des sélectivités présentées par les sous-canaux sont
proposés. Ces estimateurs traitent efficacement les symboles pilotes et ont été intégrés
dans un processus itératif en réception. Les techniques de construction de trame ainsi
que les estimateurs de canal proposés sont optimisés dans notre étude selon plusieurs
critères : robustesse vis-à-vis des sélectivités, efficacité spectrale, complexité en
émission et en réception. Les résultats de simulation obtenus pour différents contextes
MIMO montrent une amélioration des techniques d’estimation de canal.

9
INTRODUCTION GENERALE :

L es nouvelles technologies de communication comme l’ADSL, GSM, UMTS

connaissent une grande évolution ces dernières années. Naviguer sur le web comme
envoyer des SMS sont des expressions couramment utilisées par la grande majorité de la
population mondiale. C’est pourquoi la recherche dans ce domaine est très active et les
scientifiques doivent faire preuve d’ingéniosité, d’inventivité et d’anticipation pour proposer
de nouvelles techniques de transmission permettant d’atteindre des qualités de service
toujours plus importantes des débits toujours plus élevés. Les canaux de transmission peuvent
construire un obstacle contre la réalisation de ces objectifs dans les normes les plus meilleurs.
Ces canaux de transmission utilisés par l’émetteur pour transmettre les messages au récepteur
introduisent souvent des distorsions qui peuvent provoquer des erreurs de transmission.
Les canaux multi-trajets nécessitent la mise en oeuvre de traitements permettant de
combattre l'interférence entre symboles créée par la sélectivité en fréquence de ces canaux.
Pour lutter contre la sélectivité en fréquence des canaux de transmission plusieurs
techniques sont possibles parmi lesquelles on peut citer : les transmissions multi-porteuses, les
techniques d'étalement de spectre et l'égalisation. L'objectif de cette thèse est de contribuer au
développement de récepteurs plus robustes à ces distorsions en se basant sur des algorithmes
d'égalisation du message transmis.
Pour combattre les effets de la sélectivité en fréquence d'un canal, plusieurs techniques
peuvent être mise en place. Le récepteur doit alors, à partir de la séquence reçue rechercher la
séquence émise. L’égaliseur de Viterbi par exemple est approprié aux transmissions à faible
rapport signal à bruit. Toutefois lorsque l'étalement temporel des canaux est important par
rapport à la durée des symboles émis ou lorsque le nombre d'états de la modulation est grand,
la complexité calculatoire rend ce type de récepteur inexploitable. Il est alors nécessaire
d'utiliser des égaliseurs plus simples à mettre en oeuvre.

10
 Les égaliseurs zero-forcing par exemple ont pour fonction principale d'inverser la
réponse du canal de transmission de manière à ce que le couple "canal-égaliseur" puisse être
considéré comme un canal idéal. L'opération d'égalisation peut provoquer, selon la nature de
l'égaliseur utilisé des remontées plus ou moins importantes du bruit présent à son entrée.
Lorsque le canal est variant dans le temps les égaliseurs adaptatifs constituent une
bonne solution pour lutter les interférences entre symboles. Ils sont construits à partir de
filtres transverses dont les coefficients sont généralement actualisés à partir d'un algorithme
du gradient ou éventuellement, des moindres carrés récursifs. Pour favoriser la convergence
d'un égaliseur on utilise usuellement une séquence d'apprentissage c'est-à-dire, un préambule
constitué de données connues du récepteur. Lorsque cela n'est pas possible, on est contraint
d'utiliser des égaliseurs aveugles (autodidactes) qui basent leur traitement sur la connaissance
a priori des propriétés statistiques des signaux transmises. Nous ne nous discutons pas dans
cette thèse sur les égaliseurs aveugles.
Dans cette thèse, nous ne nous sommes pas limité sur l’égalisation des canaux
classiques constitué d’une paire émetteur- récepteur SISO (Single input Single Output), mais
on va élargir cette technique sur les canaux à plusieurs émetteur à l’émission et plusieurs
antennes à la réception dite « MIMO » (Multiple Input Multiple Output).
L’avantage d’une telle transmission MIMO est qu’elle peut tirer parti de la dimension
spatiale pour augmenter le débit et les performances en comparaison avec ceux obtenus avec
une transmission mono-antenne. Les études concernant les systèmes multi-antennes ont pour
objet la répartition des symboles sur les différentes antennes à l’émission et les différents
traitements en réception dont la gestion des interférences co-antenne. L’égalisation de canal
constitue un axe d’étude intéressant et un enjeu important en multi-antennes toujours dans
l’optique de maximiser les performances et le débit. En effet, la problématique dans un cas
MIMO est d’égaliser non plus un seul canal mais un ensemble de canaux, chacun
correspondant à un lien entre une antenne à l’émission et une antenne en réception, que nous
appelons sous-canaux.
La première partie de cette thèse traite les canaux SISO, le canal radio a été étudié.
Cette étude nous a permis de mieux comprendre les perturbations subies lors de la
transmission d’un signal notamment les interférences entre symboles.
Nous nous sommes ensuite intéressé par les techniques qui peuvent lutter ces perturbations.
Plusieurs types d’égaliseurs ont été définis dans le deuxième chapitre. Nous aurons donc
parlé sur les avantages et les inconvénients de chaque égaliseur suivant la natures du canal.

11
 La deuxième partie est dédiée à l’étude des canaux MIMO. Dans le troisième chapitre,
nous aurons défini brièvement les différentes techniques utilisées dans ces canaux à savoir le
multiplexage spatial, le codage espace-temps et la technique water-filling. Le quatrième
chapitre traite les techniques d’égalisations utilisées dans les canaux MIMO.
Le cinquième chapitre est consacré à la simulation en faisant la comparaison entre les
canaux SISO et MIMO en terme de performance suivant le taux d’erreur binaire suivant le
rapport signal sur bruit.

12
CHAPITRE I:
Généralités sur le canal radio
I-1 Présentation de la chaîne numérique :

U n système de communication est un système simple où l’information est transmis d’un

point physique A à un deuxième point B. Un homme qui parle au téléphone avec un
autre homme est un exemple d’un système de communication [12]. Cette source délivre, avec
un certains rythme, une suite de symboles, qui prennent leurs valeurs dans un ensemble fini
appelé alphabet. Le caractère numérique de la transmission se manifeste de manière évidente
dans le fonctionnement du récepteur lors de l’échantillonnage et de la prise de décision. Il est
beaucoup moins apparent au niveau du signal transmis qui ne présente plus nettement le
caractère discret de la source [13].
La chaîne de transmission numérique est constituée de cinq éléments :
- la source : produit le message à émettre,
- l'émetteur : fait envoyer et émettre le signal dans le canal,
- le canal de transmission : dans lequel le signal se propage depuis l’émetteur vers le
récepteur; lors de la propagation,
- le récepteur : "capte" le signal émis,
- le destinataire : traiter le message numérique reçu.
Le schéma de principe d’une chaîne de transmission numérique est présent sur la
figure I-1 :

Message émis Signal émis Signal reçu Message reçu

Source Emetteur Canal de Récepteur Destinataire

transmission

Figure I-1 : chaîne de transmission numérique

13
I-2 Représentation en bande de base :
Pour des raisons physiques, les signaux doivent être modulés avant d’être transmis.
Cependant, l’ensemble (modulateur + démodulateur) se doit d’être transparent. Avec cette
hypothèse, lorsque le canal de transmission est idéal, la sortie de démodulateur est égale à
l’entrée du modulateur. Lorsque le canal n’est plus idéal, cette égalité n’est plus vérifiée mais
il reste néanmoins possible d’établir directement le lien entre l’entrée du modulateur et la
sortie du démodulateur en faisant l’abstraction de l’aspect haute fréquence lié au processus de
modulation. Tel est l’objectif d’une modélisation en bande de base. [5]
La chaîne optimale de transmission en bande de base est constituée de plusieurs
éléments comme le montre la figure I-2 :

Traitement discret
Traitement continu
x(t) xk ck
P*(-t) 1 / F*(1/z*) Ɵ
y(t) yk
kT0 ∞ ∞
∞
x (t ) = ∑ an p(t − nT0 ) + b(t ) yk = ∑a
n = −∞
n g k − n + wk xk = ∑a
n = −∞
n f k − n + bk
n = −∞

Figure I-2 : modélisation en bande de base

- le modèle continu qui relie la sortie du démodulateur complexe aux symboles

d’information :
∞
x(t ) = ∑a
n = −∞
n p (t − nT0 ) + b(t )

Où p(t)= Π(t)*h(t) est la réponse qui relie les données discrètes {ak} et la sortie du
démodulateur x(t) se compose de l’impulsion de mise en forme Π(t) en cascade avec la
réponse impulsionnelle du canal h(t)
- le modèle continu à bruit coloré additif (sortie du filtre adapté):
∞
y (t ) = a (t ) * g (t ) + w(t ) = ∑a
n = −∞
n g (t − nT0 ) + w(t )

Où g(t)=p(t) * p*(-t) est la convolution entre p(t) et le filtre adapté p*(-t) (le filtre
adapté à p(t) est un filtre de réponse p*(-t) et caractérisé par une sortie échantillonné en
synchronisme avec l’émetteur ; la réponse impulsionnelle d’un filtre adapté correspond à la
forme retardée temporellement du symétrique du signal. Il est conçu pour améliorer le rapport
signal sur bruit).

14
 - le modèle discret à bruit coloré additif (sortie du filtre adapté échantillonnée de
manière synchrone) :
∞
yk = ∑a
n = −∞
n g k − n + wk

- le modèle discret à bruit blanc additif: Le blancheur présente de nombreux

avantages tant du point de vue de la facilité d’analyse théorique des algorithmes de traitement
que de point de vue de leurs performances. La sortie du filtre adapté échantillonné de manière
synchrone et blanchie par le filtre non causal 1 / F*(1/z*) est:
∞
xk = ∑a
n = −∞
n f k − n + bk

I-3 Interférence entre symbole :

Dans un canal à bande passante infinie aussi appelé canal idéal (qui n’a pas de réalité
physique), la bande passante est suffisamment large pour transmettre les signaux modulés
sans distorsion. Tel canal n’est plus utilisable lorsque le canal est partagé entre plusieurs
utilisateurs. Pratiquement, les canaux de communication ont une bande passante limitée, et,
par conséquent, les impulsions transmises ont tendance à s’étaler lors de leur propagation.
L’étalement des impulsions conduit aux chevauchements des impulsions adjacentes comme le
montre la figure ci-dessous :

Figure I-3 : Interférence entre symbole dans une transmission numérique

Ce chevauchement entre les impulsions peut causer une mauvaise interprétation des
données reçues par le récepteur. Ce phénomène de chevauchement des impulsions, conduisant
à une difficulté d’interprétation entre les symboles par le récepteur, est appelé « Interférence
entre les symboles » [4]. La transmission multi-trajets produit aussi les IES. La figure I-4
illustre un cas concret : Dans cette situation, l’onde émise peut emprunte deux chemins pour
atteindre le récepteur : un trajet directe et un trajet réfléchi.

15
 Les temps de propagation étant différents sur ces deux trajets. Le récepteur observe la
superposition de deux versions décalées du signal émis. Par exemple, si l’on émet une suite de
symboles ak (k désigne le temps), on reçoit α ak +β ak-1 : il y a des IES entre ak et. ak-1
.L’objectif de l’égalisation est de restituer le message émis à partir de cette observation. [5]
Nous pouvons donc décomposer l’échantillon yk en une somme de trois termes :
y k = a k g 0 + ∑ a n g k −n + bk (I-5)
n≡k

Le premier terme dépend du symbole ak, le deuxième terme est appelé terme
d’Interférence Entre Symboles (IES) et le troisième représente le bruit. Autrement dit yk
dépend de la donnée présente ak et de des données voisins passées et futures.

Figure I-4 : Exemple de canal à multi-trajets

La présence du terme d’IES, qui dépend de plusieurs symboles émis, ne permet pas
d’effectuer une décision symbole par symbole qui soit en même temps une décision optimale.
On peut alors considérer trois approches : la première consiste à faire en sorte que le terme
d’IES soit toujours nul ; elle aboutit au critère de Nyquist. Toutefois cette approche présente
des faiblesses dans la mesure où elle ne permet pas de tirer au mieux profit de la bande

16
disponible [2]. La deuxième et la troisième approche sont l’égalisation linéaire (égaliseur sous
optimale) et l’algorithme de Viterbi (égaliseur optimale) respectivement.
I-3-1 Critère de Nyquist :
En se basant sur l’équation (I-5), on constate que l’IES sera totalement annulé quelque
soit la suite ak si :
∀ k ≠ n, g (k − n) = 0 (I-6)
La condition (I-6) s’appelle "critère de Nyquist".
L’important dans la propriété d’absence d’IES est que l’échantillon observé ne dépend
que d’un seul symbole, peu importe l’indice de ce symbole. Dans ce cas, le détecteur peut
décider tout de suite, à partir de cette observation, de la valeur de ce symbole. [2]
En traduisant le critère de Nyquist en fréquence, on trouve que dans un canal de bande
(-B,B), la condition nécessaire pour annuler l’IES est que le débit symbole R=1/T vérifie :
Db
R ≤ 2B ⇔ ≤ 2B (I-7)
log 2 ( M )
Pratiquement, cela signifie qu’on ne peut pas transmettre sans IES un signal de
rapidité de modulation R=1/T dans une bande inférieure à 1/2T.
Remarquons enfin que l’absence d’IES exige que l’horloge d’échantillonnage soit
parfaitement stable. En effet, en présence d’un léger décalage de l’horloge, les contributions
des symboles voisins ne sont pas égales à 0 et une IES plus ou moins forte peut apparaître
suivant la forme un signal g(t).
I-4 Introduction à l’égalisation:
L'objet de la fonction d'égalisation est de permettre de retrouver à partir de la séquence
reçue, présentant de l'interférence entre symboles (IES) introduite par la sélectivité du canal,
la séquence émise [14]. Pour retrouver les données émises, il est donc nécessaire de concevoir
un récepteur qui élimine les IES. Cette technique est appelée égalisation. [15]
L’origine du terme égalisation se comprend aisément dans le domaine des fréquences :
Aspect fréquentiel : en l’absence de bruit, l’égaliseur est simplement un filtre inverse
dont le rôle est de rendre plate la réponse fréquentielle de l’ensemble canal-égaliseur.
Lorsque le canal de transmission est bruité, un simple filtre inverse amplifie
considérablement le bruit et un autre critère doit être utilisé mais l’idée intuitive de base reste
toujours la même. La figure I-5 illustre schématiquement le fonctionnement en fréquence
(l’échelle verticale représente le log du module des réponses fréquentielles)

17
 Canal Égaliseur Ensemble

× =

υ υ υ

Figure I-5 : Illustration de l’égalisation spectrale

Aspect temporel : Si la durée de réponse impulsionnelle du canal est inférieure à
l’écart de temps entre deux symboles consécutifs (T0), ceux-ci restent temporellement
disjoints en sortie du canal de transmission. Dans le cas contraire, on ne peut plus les
distinguer simplement les uns des autres : un traitement du signal (égalisation) s’impose.
La figure I-6 illustre schématiquement ce phénomène d’IES. La suite des valeurs
{0,1,0,1,0,0,1,0}, la figure représente l’entrée a(t) du canal ainsi que sa sortie pour les deux
réponses impulsionnelle H1 et H2. La réponse H1 s’étale sur exactement deux fois la durée
symboles, elle induit par conséquent des interférences (il n’est plus possible de distinguer les
différents symboles en sortie d’un canal de réponse H1). La réponse H2 quant à elle est juste
inférieure à la durée maximale qui permet une transmission sans interférence : les symboles
ne se recouvrent pas en sortie d’un filtre de réponse impulsionnelle H2. [5]

ak 0 1 0 1 0 0 1 0

a(t)

a(t)*H1

a(t)*H2

réponse H1 réponse H2

Figure I-6 : Illustration des interférences temporelles

18
1-5 Conclusion :
Dans ce chapitre on a donné une brève description sur la chaîne de communication
numérique notamment le canal radio et son influence sur le message transmis.
Le message transmis subit d’une distorsion qui se traduit d’une mauvaise traduction au
niveau du récepteur ce qui à pour résultat un autre message différent que celui transmis. Cette
distorsion (l’interférence entre symboles) se produit lors la transmission du signal dans un
canal limité et aussi la transmission multi-trajets.
Ces interférences nécessitent un traitement de signal « égalisation » pour les supprimer
complètement et par conséquent une réception d’un message identique du celui transmis.
Dans le chapitre suivant nous allons présenter les méthodes d’égalisation, leurs
différences, ses avantages et ses inconvénients.

19
CHAPITRE II:
L’égalisation dans un canal
SISO

U ne égalisation comme l’on a défini au premier chapitre à pour rôle de retrouver à

partir du signal reçu, présentant de l'interférence entre symboles (IES) introduite par
la sélectivité du canal, le signal émis. Ce chapitre décrie les différents types d’égaliseurs, ses
avantages, ses inconvénients et les différences entre eux en terme de performance.
II-1 les types d’égaliseurs :
Pour combattre l’effet des interférences entre symboles, Il existe différents types
d’égaliseurs [1][15] : linéaire ou non, transverse ou récursif ou une association de deux. Les
plus utilisés sont les égaliseurs linéaires transverses, et les égaliseurs à retour de décision [16].
L'égalisation linéaire est largement utilisée pour les canaux de type téléphonique.
Cependant sur les canaux présentant de sévères distorsions d'amplitude, un égaliseur linéaire
donne des résultats assez médiocres du fait qu'il rehausse le bruit aux fréquences présentant de
fortes atténuations. Au contraire, le DFE possède des performances proches du récepteur
optimal (MLSE) pour une large classe de canaux lorsque le bruit est faible. [14]
Les égaliseurs adaptatifs sont mis en place lorsque le canal est variant dans le temps,
l’estimation en performance des coefficients de l’égaliseur grâce à des algorithmes
d’adaptation est donc nécessaire. Nous présenterons les deux algorithmes les plus
couramment utilisés : le LMS et le RLS.
Enfin l’optimalité au sens du maximum de vraisemblance est obtenue par l’algorithme
de Viterbi (l’égaliseur MLSE).
II -1-1 Egaliseurs Linéaires :
Les structures linéaires sont les plus répondues en traitement du signal. L’action d’un
filtre linéaire est complètement caractérisée par la donnée de sa réponse implusionnelle
(réponse à une impulsion de Dirac localisée à l’origine) [5]. La durée (le support) de cette
réponse pouvant être à priori quelconque, certaines structures sont mieux adaptées que

20
d’autres au problème d’égalisation [5]. Dans ces types de filtres, l’annulation complète de
l’IES est souvent impossible si la réponse du canal n’est pas connue à l’avance [2].
La différence entre les égaliseurs linéaires se situe au niveau de leur réalisation
pratique et de l'actualisation de leurs coefficients en version adaptative. On trouvera
particulièrement : l'égaliseur transverse linéaire et l'égaliseur récursif linéaire [14].
Les égaliseurs transverses linéaires sont les plus utilisés par ce qu’il sont plus simple à
mettre en œuvre ; Un égaliseurs transverse est réalisé par un filtre numérique à réponse
implusionnelle finie (RIF) comme il est montée dans la figure II-1 :

gn-1
go
g1

Z(k)

Figure (II-1): Egaliseur transversale linéaire

La sortie d’un filtre à réponse implusionnelle finie (égaliseur) est exprimée comme
combinaison linéaire d’un nombre fini d’échantillons d’entrée :
−K
zk = ∑g
n=K
(1)
n y k −n (II-1)

Où yk est la sortie du canal (séquence à filtrer) :

L
y k = ∑ hi a k −i + bk (II-2)
i =0

Et gn(1) sont les coefficients de l’égaliseur de longueur 2K+1

La sortie de l'égaliseur zk est quantifié pour donner le symbole estimé âk. Si âk n'est pas
égal au symbole émis ak, le récepteur a commis une erreur de décision [1].
Deux critères sont souvent retenus pour optimiser les coefficients de l’égaliseurs. Le
premier critère est celui de l'annulation de l'interférence entre symboles. Ce critère consiste à
minimiser la distorsion maximale (peak distorsion criterion) introduite par le canal de

21
transmission. Ce critère est utilisé par les égaliseurs ZFE (Zero-Forcing Equalizer). Le second
critère est celui de la minimisation de l'Erreur Quadratique Moyenne (EQM). [15]
II -1-1-1 Critère de minimisation de distorsion maximale: (Egaliseurs ZF) :
Egaliseur à réponse impulsionnelle infini : Tout d’abord on suppose que la
minimisation de la distorsion maximale est effectuée par un égaliseur ayant un nombre infini
des coefficients (RII). On peut représenter le canal (de réponse impulsionnelle du {hi}) en le
cascadant avec l’égaliseur (de réponse impulsionnelle {gi}) par un filtre d’une réponse
impulsionnelle équivalente [1]:
∞
qi = ∑g
n = −∞
h
n i−n (II-3)

Où {qi} est une convolution entre {hi} et {gi}. La kième sortie de l’égaliseur est :
∞
z k = q 0 a k + ∑ ai q k −i + ∑g b n k −n
n ≠k n = −∞

Le premier terme représente le symbole émis, (q0 est normalisé à l’unité par
convention). Le deuxième terme est l’interférence entre symbole; la valeur maximale de cette
interférence est appelée la distorsion maximale :
∞ ∞ ∞
D( g ) = ∑q
i = −∞
i = ∑ ∑g
i = −∞ n = −∞
h
n i−n (II-4)
i ≠0 i≠0

Lorsque les coefficients de l’égaliseur tendent vers l’infini, il est possible de rendre les
coefficients de qi (et donc D(g)) égale à zéro sauf pour i=0; ce qui à pour résultat l’élimination
complète des IES [1] :
∞
1 pour i = 0
qi = ∑g h
n i −n ≈ (II-5)
n = −∞ 0 pour i ≠ 0
En transformant en Z l’équation (II-3) on obtient :
Q(z) = G(z).H(z) = 1 (II-6)
En simplifiant : G(z)=1 / H(z) (II-7)
Cet égaliseur (fonction de transfert G(z)) est donc un simple filtre inverse du filtre
linéaire H(z). Autrement dit que pour éliminer complètement l’IES il suffit d’utiliser un filtre
inverse du filtre H(z).Ce filtre est appelé : filtre ZF (Zero Forcing Equalizer) [1].

a(k) y(k) z(k)

Canal: H(z) Egaliseur : G(z)=1/H(z)

b´(n)
Figure (II-2): Egaliseur par forçage à zéro

22
 Comme nous avons dit au premier chapitre, le bruit en sortie du filtre adapté qui
attaque l’égaliseur n’est pas blanc. Si on cascade le filtre inverse (fonction de transfert 1/H(z))
avec le filtre blanchisseur qui à pour fonction de transfert 1/H*(z-1), on obtient :
1 1
G ′( z ) = ∗ −1
= (II-8)
H ( z) H ( z ) X ( z)

a(k) x(k) y(k) z(k)

Filtre blanchisseur Egaliseur
Canal: H(z)
G(z)=1/H*(z-1) G(z)=1/H(z)

b(n)

Figure (II-2) : Egaliseur par forçage à zéro

Egaliseur à réponse impulsionnelle fini : On suppose maintenant que l’égaliseur

possède un nombre fini des coefficients 2K+1 (de -K jusqu'à +K). Puisque gn(1) =0 pour n>K,
la convolution entre gi(1) et hi est égale à zéro en dehors de l’intervalle -K ≤ i ≤ K+L-1, et
qi=0 pour i< -K et i>K+L-1. La distorsion maximale(*) égale à: (Pour q0 =1)
K + L −1 K + L −1
D( g ) = ∑ qi =
i=− K
∑ ∑g
i=− K n
h
n i−n (II-9)
i≠0 i≠0

Sachant que l’égaliseur possède 2K+1 coefficients et qi possède 2K+L coefficients, il

est donc impossible de supprimer complètement les IES à la sortie de l’égaliseur. Il y a
toujours des interférences résiduelles. Il faut donc minimiser la distorsion maximale en
respectant le nombre des coefficients gn(1). Plusieurs méthodes de minimisation sont mises en
place. Lucky démontra que si la distorsion initiale (avant l’égalisation) défini par :
L
1
D0 =
h0
∑h
i =1
i (II-10)

est inférieure à l’unité, la distorsion maximale sera donc minimisée de tel façon q’on choisi
les coefficients de l’égaliseur qui force qi=0. Autrement dit la solution générale pour
minimiser la distorsion maximale (sous la condition D0<1 et avec 1≤|i|≤K) c’est la solution
zero forcing. Dans ce cas le symbole estimé zk égale à celui émis. Cette condition peut être
assimilée par un diagramme de l’œil ouvert. Pour K+1 ≤ i ≤ K+L-1 les valeurs de qi sont
différents de zéro et constituent les IES résiduelles à la sortie de l’égaliseur. [20][1]

(*)
La distorsion maximale (équation II-7) a été assimilée par Lucky [11] comme une fonction convexe des
coefficients qi où il y a des minima globaux et des minima relatifs (diagramme de l’œil).

23
II -1-1-2 Critère MMSE :(Egaliseur à erreur quadratique minimale)
Le critère zero forcing permet d’analyser correctement le comportement de l’ensemble
de la chaîne de communication en l’absence de bruit qui perturbe complètement son
fonctionnement. Pour cette raison, un dispositif raisonnable doit compenser la réponse du
canal dans la gamme des fréquences que celui-ci transmet correctement. [5]
Egaliseur à réponse impulsionnelle infini :
L’idée de l’égaliseur à erreur quadratique minimale (MSE en anglo-américain) est de
minimiser l’erreur quadratique moyenne entre les symboles émis ak et les symboles estimés zk
(la sortie de l’égaliseur) :
L’erreur quadratique moyenne est donc : EQM =J= E {| zk – ak |2}
Où l’erreur est: ɛk = zk - ak
∞
Avec : zk = ∑g
n = −∞
n y k −n (II-11)

En appliquant le principe d’orthogonalité entre l’erreur et la sortie de l’égaliseur, on obtient:

E (ɛk y*k-l )=0 avec -∞ ≤ l ≤ ∞ (II-12)
∞
 
⇒ E (a k − ∑ g n y k −n ) y k*−l  = 0 (II-13)
 n = −∞ 
∞
⇒ ∑g
n = −∞
n E ( y k − n y k*−l ) = E (a k y k*−l ) −∞ ≤l ≤ ∞ (II-14)

De l’équation (II-2) on obtient :

L
⇒ E ( yk −n yk*−l ) = ∑ hi*hi +l − n + bδ l n
i =0

 x l − n + bδ l n l−n ≤ L
= (II-15)
0 ailleurs

h * −L≤l ≤0
Et : E (ak y k*−l ) =  −l (II-16)
0 ailleurs

Si y(n) qui correspond à la sortie d’un filtre H(z) est attaqué par un signal blanc b normé (de
corrélation Γbb(k)=σb²δk =σb²), alors les équations (II-14), (II-15), (II-16) nous donne le filtre
de Wiener :
G ( z )[ H ( z ) H * ( z −1 ) + σ b2 ] = H * ( z −1 ) (II-17)

H * ( z −1 )
G( z ) = (II-18)
H ( z ) H * ( z −1 ) + σ b2

24
 Lorsque le filtre blanchisseur est inclus dans G(z), on obtient un égaliseur équivalent :
1
G ′( z ) = (II-19)
H ( z ) H ( z −1 ) + σ b2
*

1
G ′( z ) = (II-20)
X ( z ) + σ b2
On remarque que la seule différence entre la relation (II-20) et (II-8) c’est la présence
du bruit. Lorsque le bruit est très petit par rapport le signal, les coefficients qui minimisent la
distorsion sont approximativement égaux aux ceux qui minimisent l’erreur quadratique [1].
Cependant lorsque le bruit σb²=0, le filtre Wiener se réduit au filtre inverse 1/H qui
correspond au critère ZF. Par contre si H→0, le filtre inverse 1/H tend vers l’infini, ce qui
conduit à l’amplification du bruit. Le filtre de Wiener ne tend pas vers l’infini puisqu’il prend
en compte la composante du bruit.
Egaliseur à réponse impulsionnelle fini :
Lorsque l’égaliseur est un filtre à réponse impulsionnelle fini, il est nécessaire de
tronquer la fonction (II-19) (qui à une réponse impulsionnelle infini). Nous présentons
maintenant la solution optimale de Wiener sous la contrainte de réponse impulsionnelle fini.
K
zk = ∑g
n =− K
n y k −n (II-21)

L’erreur quadratique moyenne J(K) est :

K
J ( K ) = E ak − zk = E ak − ∑g
2
n y k −n ² (II-22)
n=− K

Pour minimiser J(K), il faut forcer l’erreur ɛk = ak - zk pour devient orthogonale avec le
signale échantillonné y*k-l , |l|≤ K :
K

∑g Γ
n=− K
n ln = ξl l=-K,…,-1, 0, 1,…….K (II-23)

 x l − n + bδ l n l−n ≤ L
Où Γl n =  (II-24)
0 ailleurs

h−*l −L≤l ≤0
Et ξl =  (II-25)
0 ailleurs
En utilisant les notations matricielles :
ΓG=ξ (II-26)
Où G est un vecteur de 2K+1 coefficients, Γ est la covariance hermitienne de
dimension (2K+1) (2K+1), et ξ est de dimension (2K+1).

25
La solution optimale de (II-26) est :
Gopt= Γ-1 ξ
Le coefficient optimal (équation II-26) minimise l’erreur quadratique J(K), l’erreur
quadratique minimale vaut donc :
0
J min ( K ) = 1 − ∑g
n=− K
h
n −l

= 1- ξT * Γ-1 ξ (II-27)
Où ξT est la transposé de ξ.
II -1-2 Egaliseurs non Linéaires :
Les égaliseurs linéaires sont efficaces dans les canaux lorsque les IES ne sont pas très
sévères. Une forte augmentation des IES influe directement sur les caractéristiques spectrales
et non seulement sur l’étalement temporel causé par les interférences [8]. Les égaliseurs non
linéaires sont utilisées lorsque des sévères distorsions du canal ne peuvent être traité par les
égaliseurs linéaires. Pour compenser les distorsions, les égaliseurs linéaires tentent d’amplifier
le canal notamment les zones faiblement passantes, alors que le bruit est important dans ces
fréquences. [7]
On peut reprendre le dispositif de soustraction des IES (figure II-3) en y ajoutant une
opération non linéaire Λ (opération de décision). Le rôle de cette opération est de supprimer
un léger bruit additif dans la boucle de retour sur la valeur estimé ck-n à l’aide d’un dispositif
non linéaire Λ de genre seuil (par exemple : une estimation valant 1.2 est très probablement
attachée à la vraie valeur +1 alors quelle ne peut provenir qu’avec un probabilité très faible
de la valeur -1). Le dispositif de seuillage ramène la valeur de ck-n à sa valeur exacte et
l’entrée de la partie récursive est constituée da valeurs justes. [5]
II -1-2-1 Egaliseur récursif à retour de décision (DFE)
Il s’agit ici de prolonger l’idée d’avoir un égaliseur piloté par les décisions, ce qui
permet d’éviter une répétition de séquences d’apprentissage (**), tout en utilisant une structure
récursive. Cette structure récursive permet d’obtenir des filtres de réponse impulsionnelle
longue à l’aide d’un petit nombre de coefficients. [3]

(**)
Séquence connue du récepteur, pour calculer les coefficients du filtre. La nécessité d’inclure dans l’émission
une séquence d’apprentissage, éventuellement répétée périodiquement si le système est non stationnaire, limite
en outre le débit en données utiles.

26
 )
yk zk zk
Filtre direct + Decision
+
G(1)(Z)
+

Filtre retour
G(2)(Z)

Figure (II-3): Schéma de l’égaliseur DFE

Le DFE (Decision Feedback Equalizer) présenté par la figure II-3 est constitué de
deux filtres: un filtre direct et un filtre retour. A la sortie du canal, les échantillons yk sont
reçus par le filtre direct qui tente de supprimer l'interférence entre symbole due aux symboles
)
postérieurs. L'entrée du filtre retour est constituée par les décisions z k . Le rôle du filtre retour
est donc éliminer l'interférence entre symbole causée par les symboles antérieurs.
La sortie du DFE est donnée par :
K q
zk = ∑ g n(1) yk −n + ∑ g n( 2) Λ( z k −n )
n=− K n =1
(II-28)

Où zk est la sortie de l'égaliseur correspondant au k-ième symbole et zk-n sont les

symboles estimés précédents. Le nombre total de coefficients est donc 2K+q+ 1, où le filtre
direct G(1)(Z) a 2K+1 coefficients et le filtre de retour G(2)(Z) a q coefficients.
Les coefficients de l'égaliseur DFE peuvent être obtenus par minimisation de la
distorsion maximale ou de l'erreur quadratique moyenne. [15]
Le DFE introduit moins de bruit dans l'estimation zk du k-ième symbole émis que
l'égaliseur linéaire. En effet, lorsque l'on suppose que les décisions Λzk-n sont correctes,
l'élimination des interférences causées par les symboles antérieurs n'introduit pas de bruit car
celui-ci est "éliminé" par le détecteur de symboles.
L'hypothèse que les décisions sur les symboles passés sont correctes n'est dans certains
cas pas vérifiée. Lorsque la décision à la sortie de l'égaliseur fournit des symboles erronés, ces
symboles estimés faux sont retournés et réinjectés dans l'égaliseur ce qui augmente la
probabilité d'erreur des décisions suivantes. On dit qu'il y a un phénomène de propagation
d'erreur.

27
II -1-3 Egaliseur à maximum de vraisemblance (MLSE) :
Lorsque la durée de la réponse impulsionnelle du canal de transmission n’excède pas
quelques durées symboles, il est techniquement possible de réaliser l’estimateur optimale (qui
minimise la probabilité d’erreur) [5].
Le MLSE (Maximum-Likelihood Sequence Estimation) est un égaliseur optimal
utilisé lorsque le canal possède une mémoire. Il estime et détecte la séquence de symboles
émis la plus vraisemblable à partir du signal reçu et de l'estimation (ou la connaissance) du
canal. Un algorithme est donc nécessaire pour faire ce calcul (reconstitution la séquence de
symboles, en exploitant l’interdépendance des données reçues, et en maximisant la
vraisemblance). Cet algorithme a été proposé par Viterbi.
Deux difficultés importantes sont liées à l’utilisation de cet algorithme: la première est
que l’algorithme de Viterbi ne fonctionne de manière optimale que si le bruit est blanc et
gaussien (Un filtre adapté blanchissant peut être mis en place mais ceci n’est pas possible
puisque le canal de transmission est inconnu, il doit être estimé ou estimé de manière
adaptative si le canal est non stationnaire) [5]. La deuxième difficulté s’avère lorsque
l’étalement temporel de canal est important, ce qui va automatiquement augmenter la
complexité des calcules des algorithmes [7].
Pour remédier à ces problèmes, des structures mixtes peuvent être envisagées qui
comportent une égalisation partielle et un détecteur de Viterbi. Il est possible de réduire la
durée de la réponse de canal à l’aide d’un filtrage simple (égalisation partielle) et utilise un
filtre qui travaille en utilisant deux échantillons par durée symbole pour pouvoir approcher le
filtre adapté blanchissant [5]
Algorithme de Viterbi :
L’algorithme de Viterbi a été proposé en 1967 comme une méthode de décodage
convolutif [10]. Comme l’égalisation, cet algorithme peut être appliqué à plusieurs problèmes
d’estimation.
Dans un canal à réponse impulsionnelle finie (filtre RIF), la sortie s’écrit : zk=yk+bk
avec yk =hoak+……hLak-L et bk est un bruit blanc gaussien asymétrique. La formule de la sortie
yk traduit le fait que le canal peut être assimiler comme une mémoire (cette mémoire est
assimilé comme un registre de décalage).
La figure suivante montre un tel modèle de création des IES dans un canal à deux
coefficients. [10]

28
 ak ak-1 ak-2
D D
nk
h2
+
h1 ∑ yk + zk

h0

Figure (II-4): modélisation d’IES avec BAGB

Le contenu de cette mémoire caractérise son état à un instant donné. On note cet état
ek= (ak ,……,ak-L). L’arrivé d’un nouveau symbole ak+1 occasionne un changement de l’état
ek+1=(ak-1…ak-L) vers l’état ek+1=(ak ,… ,ak-L+1)
Cette évolution du canal est représentée par un treillis dont chaque nœud correspond à
un état possible et chaque branche (entre deux nœuds) à une transition possible. La figure II-5
illustre ceci dans le cas d’un canal à deux coefficients (L=1) dont l’entrée se compose de M=2
niveaux (± 1 par exemple). A chaque instant, il y a ML+1=4 états possibles (1,0), (0,1), (1,0),
(1,1). Pour k variant de 0 à N-1 (séquence de longueur N), il existe MN chemins possibles sur
les branches du treillis. Déterminer la séquence la plus probablement émise revient à
déterminer le chemin le plus probable sur cette représentation.

Etats du canal en n Etats du canal en n-1

-1 -1
(-1,-1) (-1,-1)
11
(-1, 1) 11 (-1, 1)
-1 -1
1 -1 (1, -1)
(1, -1)
-1 1
(1, 1) -1 1 (1, 1)
1 -1
------------ : entrée à 0
———— : entrée à 1
Figure (II-5): Graphe en treillis pour une modulation a deux états et un canal
mémoire égale à deux échantillons

II -1-4 Egaliseurs adaptatifs :

Du fait de sa variation temporelle, les caractéristiques du canal HF sont inconnues au
niveau du récepteur. Il est donc nécessaire d'utiliser un algorithme d'adaptation pour que
l'égaliseur puisse évoluer en fonction du canal. Ce type d'égalisation est appelé égalisation
adaptative. Dans ce paragraphe nous allons présenter deux algorithmes qui permettent
d'ajuster automatiquement les coefficients de l'égaliseur de manière à s'adapter aux variations
temporelles du canal.

29
 Ces algorithmes (qui s’appellent aussi les algorithmes de minimisation) sont:
l’algorithme du gradient stochastique et l’algorithme de newton stochastique. Le premier a
pour lui sa simplicité de mise en œuvre, le second sa bonne rapidité de convergence initiale.
Lors de la construction d’un algorithme de filtrage adaptatif des données (algorithmes
de minimisation), il est nécessaire de bien dissocier deux points :[5]
1- la structure du filtre utilisé d’une part (structure transverse à réponse
impulsionnelle finie, structure récursive avec ou sans décision dans la boucle de retour,…)
2- le type d’algorithme utilisé pour adapter les paramètres de cette structure d’autre
part.
II -1-4-1 Egaliseur linéaire transverse adaptatif :
Algorithme des moindres carrés moyens (LMS-RIF) :
Dans une structure RIF (Réponse Impulsionnelle Finie) le symbole estimé Zk=âk
s’exprime comme combinaison linéaire de N+1 (nombre des coefficients du filtre)
observations. On a :
z k = YkT H (II-29)
Ou le vecteur YkT =[yk,yk-1, …,yk-N] T regroupe les derniers échantillons observés tandis
que le vecteur filtre complexe de même dimension H contient les coefficients du filtre.
On recherche le filtre qui minimise l’EQM entre le symbole ak et le symbole estimé
Zk. Cette EQM qui représente une fonction de coût notée J(H) s’écrit :

J ( H ) = E ek ( H )
2
(II-30)

Avec ek ( H ) = a k − z k ( H ) (II-31)
Cette fonction de coût est quadratique en H comme le montre l’écriture suivante :

[ ]
J ( H ) = E a k − z k ( H ) = H H E (Yk*YkT ) H − 2 Re H H E (Yk* a k ) + 1
2
(II-32)

Avec HH est le transposé conjugué de H. J(H) est minimale pour :

∇ H J ( H ) = −2 E (Yk* ek ) = 0 (II-33)
Le gradient obtenu traduit le fait que l’erreur quadratique d’estimation est minimale
lorsque l’erreur et l’observation sont orthogonales. [5]
La procédure du gradient déterministe permet de minimiser J(H) de manière itérative :
H k = H k −1 − µ k ∇ H J ( H ) H = H (II-34)
k −1

Avec : [
∇ H J ( H ) = ∇ H E ek ( H )
2
] = −2E (Y e ) *
k k (II-35)

Le pas µk règle l’amplitude de la correction à chaque itération

30
 [
En pratique le gradient ∇ H E ek (H )
2
] est inconnu et on travaille sur l’erreur

instantanée ∇ H ek (H )
2

On obtient ainsi l’algorithme du gradient stochastique :

ek = a k −YkT H k −1
 (II-36)
 H k = H k −1 + µ k Yk* ek

Il faut distinguer deux phases dans le fonctionnement d’un égaliseur adaptatif :

Une phase d’apprentissage durant laquelle les données sont connues de récepteur.
L’algorithme II-36 peut être utilisé tel quel. Ceci permet au vecteur estimé Hk de s’approcher
de la solution optimale.
Une phase de poursuite (auto-adaptative) durant la quelle les données sont
reconstituées par une décision Λ sur les valeurs estimées Zk. La convergence étant réalisée à
l’issu de la phase d’apprentissage [5].

Algorithme
errk
1 ak
_

yk
H(z) Décision
zk ẑ k

Figure (II-6): Structure transversale adaptative

(1) en phase d’apprentissage, (2) en phase de poursuite

Pour utiliser l’algorithme LMS II-36, il faut choisir le gain µk. Ce choix est un
problème pratique important puisqu’il suppose une bonne connaissance de la nature des non
stationnarités du canal de transmission. C’est la raison pour laquelle il est très intéressant de
disposer d’un algorithme capable de choisir automatiquement la valeur du pas (algorithme
LMS à pas auto-optimisé) :
On a zk=YkTHk-1 la valeur estimée de ak et ek=ak-zk l’erreur d’estimation. Le critère
statistique :

31
 2
J ( µ ) = lim E a k − YkT H k −1 (II-37)
k →∞

est une fonction de variable µ. Il correspondant au comportement stationnaire de l’algorithme

[5]. Le problème d’optimisation de µ consiste à minimiser J sous la contrainte :
H k = H k −1 + µYk* ek (II-38)

Avec ek ( H ) = a k − YkT H k −1 (II-39)

qui lie Hk à yk à µ constant. On note :
2
J (Yk , a k , H k −1 , µ ) = a k − YkT H k −1 (II-40)

L’algorithme stochastique d’adaptation des pas est obtenu par : [5]

∂J
µ k = µ k −1 − α (II-41)
∂µ
∂H k
Si on note Gk = , l’algorithme d’adaptation auto-optimisé est le suivant :
∂µ

ek = a k − YkT H k −1

 H k = H k −1 + µ k −1Yk ek
*


[ ]
* µ+
(II-42)
µ k = µ k −1 + α Re(Yk Gk −1ek ) µ −
T


Gk = (1 − µ k Yk Yk )Gk −1 + Yk ek
* T *

Algorithme des moindres carrés moyens (RLS-RIF) :

L’algorithme du gradient stochastique pêche par sa grande lenteur de convergence
initiale lorsque les données sont mal conditionnées, cette lenteur est inacceptable dans
certaines situations. Il est alors nécessaire de recourir à l’algorithme de Newton dont la
vitesse de convergence initiale est indépendante du conditionnement des données.
Un algorithme de Newton pour minimiser J(H) s’écrit :

{[
H k = H k −1 − µ k ∇ 2H J ( H ) ] [∇
−1
H }
J ( H )] H = H k −1 (II-43)

En dérivant deux fois l’erreur quadratique donnée par (II-32), il vient :

1 2 1
∇ H J ( H ) = ∇ 2H J ( H * )
2 2
∂
=E
∂H
{
Yk* (YkT H − a k ) } (II-44)

= E (Yk*YkT )

32
 En remplaçant l’espérance par son estimation empirique, on trouve l’estimation au
temps k :
1 k * T
Wk = ∑ Yn Yn
k n =1
(II-45)

Soit, sous forme récursive :

Wk = Wk −1 + γ k (Yk*YkT − Wk −1 ) (II-46)
Avec γk=1/k. cette algorithme convient dans le cas stationnaire [5]. Dans le cas
contraire, il faut choisir un algorithme à pas constant γk=γ.
L’algorithme de Newton stochastique complet RLS-RIF s’écrit :
H k = H k −1 + µ k Wk−1Yk* ek
(II-47)
Wk = Wk −1 + γ k (Yk*YkT − Wk −1 )
La complexité de cet algorithme est grande du fait de l’inversion de la matrice à
chaque itération, Notant que cette inversion peut être évitée en utilisant le lemme d’inversion
matricielle(*).

II -1-4-2 Egaliseur linéaire récursif adaptatif :

Nous allons présenter la structure récursive avec ou sans décision dans la boucle :
Algorithme des moindres carrés moyens (LMS-RII) :
Dans une structure à réponse impulsionnelle infinie (RII), l’estimé zk de ak est en
fonction des dernières entrées et des dernières sorties :
p q
z k = ∑ H n(1) y k − n + ∑ H n( 2) z k −n (II-48)
n =0 n =1

La sortie de l’égaliseur est :

zk (H ) = H T ϕ k (H ) (II-49)
avec : φkT(H)=[yk, yk-1,….,yk-p ;zk-1,…,zk-q]
et : HT=[H0(1), H1(1)…, Hp(1) ; H0(2),…, Hq(2)]
Pour obtenir les valeurs optimales, il faut minimiser l’EQM suivant:
2
J ( H ) = E ek = E a k − ϕ kT
2
(II-50)

à l’aide d’un algorithme de gradient :

H k = H k −1 − µ k ∇ H J ( H ) H = H (II-51)
k −1

(*)
Si on suppose : A=B-1+CD-1CH (avec A et B deux matrices MxM définies positives, D une matrice NxN
définies positive et C une matrice MxN), donc l’inverse de A : A-1=B-BC(D+CHBC)-1CHB

33
 {
∇ H J ( H ) = E ∇ H ek
2
}= 2E e ( ∂∂eH ) 
k
k *
(II-52)

∂ek
D’après la formule (II-48), le gradient de l’erreur s’écrit :
∂H

 M   M 

 
 ∂z k   ∂  H (1) = y + H ( 2) z  
p q

 ∂H (1)   ∂H (1)  ∑ n k −n ∑ n k −n  

∂ek ∂z k 
i
  i  n =0 n =1 
− = = M = M  (II-53)
∂H ∂H    
 ∂z k ∂  
p q
  c 

k
 ∑ H n(1) = y k −n + ∑ H n( 2) z k −n  
 ∂H i( 2 )  ∂H i  n =0
( 2 )
n =1 
   
 M   M 

 M   M 
   
 ∂z k   y + H ( 2) ∂z k −n 
q

 ∂H (1)   k −i ∑ n =1
n
∂H i(1) 
∂ek 
i
  
− = M = M  (II-54)
∂H    
 ∂z k   z k −i + ∑ H n( 2 ) ∂z k −n
q

 ∂H i( 2)   n =1 ∂H i( 2) 
   
 M   M 
Cette dernière expression montre clairement que le gradient de l’erreur s’obtient par
filtrage linéaire récursif de l’état φ, En notant ce filtre A(z), Il vient que :
∂ek 1
− = ϕ k = ϕ~k (II-55)
∂H A( z )
Ainsi, l’algorithme du gradient devient :
[
H k = H k −1 + µ k E ek ϕ~k* (H k −1 ) ] (II-56)
Une mise en œuvre récursive de l’algorithme s’obtient en ne recalculant pas les
anciennes sorties {zk-n}1≤n≤q pour la nouvelle Hk-1 de H. cette approximation est justifiée par le
fait que Hk varie lentement.
H k = H k −1 + µ k E ek ϕ~k*[ ] (II-57)
En supprimant l’espérance mathématique, on obtient finalement l’algorithme :
ek = a k − H kT−1ϕ k
ϕ~k = A −1 ( z )ϕ k
(II-58)
H k = H k −1 + µ k ek ϕ~k*
ϕ kT ( H ) = [y k , y k −1 ,..., y k −q ; z k −1 ,..., z k − p ]T

34
 Algorithme des moindres carrés exacts (RLS-RII) :
De même que dans le cas d’un filtre transverse, l’algorithme du gradient peut être
remplacé par un algorithme de Newton, Cependant pour un filtrage à réponse impulsionnelle
infinie, l’avantage procuré par cet algorithme quoique sensible en pratique, n’est pas du tout
aussi évident. Cette efficacité de la méthode de newton provient de la nature non quadratique
de la fonction de coût ( ∇ 2H J ( H ) n’est pas plus indépendant de H) [5].

II -1-4-3 Egaliseur non linéaire adaptatif (structure DFE adaptative) :

En pratique, la structure ARMA (filtre composé d’une partie transversale, et d’une
partie récursive) n’est jamais utilisé telle quelle dans le contexte des télécommunications.
Pour améliorer les performances on peut ajouter une décision dans la boucle de retour (partie
récursive) :
p q
zk = ∑ H (1)
n y k − n + ∑ H n( 2 ) Λ ( z k − n )
n=0 n =1

Cette nouvelle structure est non-linéaire. Les performances se dégradent d’une façon
rapide lorsque le bruit augmente, car si une erreur de décision se produit, des valeurs fausses
sont réinjectées dans la partie récursive. En pratique, un algorithme LMS permet d’adapter
l’ensemble des paramètres.
Il est intéressant de choisir indépendamment les pas d’adaptation de la transverse et
de la partie récursive. Le fonctionnement d’une structure DFE adaptative est illustré par la
figure suivante :
Algorithme
ek

-
yk Décision ẑ k
H(1)(z) + Zk

H(2)(z)

ek Algorithme
Figure (II-7): Structure DFE adaptative
II -2 Conclusion :
Dans ce chapitre, nous avons abordé les différents types d’égaliseurs: adaptatifs et
non-adaptatifs. Les égaliseurs non-adaptatifs sont divisés en deux classes : linéaires et non-
linéaire suivant deux critères (ZF ou MMSE).

35
 Les filtres adaptatifs sont utiles lorsque le canal est variant dans le temps. Des
algorithmes d'adaptation permettent de l'égaliseur à s’évoluer en fonction du canal.
Un égaliseur optimal (MLSE) est utilisé lorsque le canal possède une mémoire en
estimant et détectant la séquence de symboles émis la plus vraisemblable à partir du signal
reçu et de l'estimation ou la connaissance du canal. Pour cela un algorithme (Viterbi) est donc
nécessaire pour faire ce calcul.
Tous ces égaliseurs ont été étudiés dans un canal SISO c-a-t un canal ordinaire avec un
émetteur et un récepteur. Dans le chapitre suivant, nous allons présenter le canal MIMO, (ou
il existe plusieurs émetteurs, et plusieurs récepteurs), ses caractéristiques et ses avantages vis-
à-vis un canal classique.

36
CHAPITRE III:
Introduction aux techniques
MIMO

A vec l’intégration de l’Internet et de nouvelles applications multimédia dans les

systèmes de communications sans fil, la demande en terme de débit ne cesse
d’augmenter. Plusieurs techniques ont été développées pour répondre à ce besoin. La
technique MIMO reste la plus prometteuse, elle peut augmenter d’une manière substantielle
l’efficacité spectrale.
Malgré la découverte de la technique MIMO en 1984 grâce à M. Jack Winters, qui déposa un
brevet pour les communications sans fil à base d’antennes multiples, le concept MIMO prend
réellement son essor dans le courant de l’année 1996 grâce au démonstrateur BLAST élaboré
au sein des Bell Labs. Cette technique permet d’obtenir des efficacités spectrales très élevées
(de 40 bit/s/Hz avec 8 éléments d’émission et de réception). Le débit des transmissions de
HSDPA (High Speed Downlink Packet Access) peut atteindre 21.6Mb/s en utilisant les
systèmes MIMO [6]. Cette technique a reçu beaucoup d’intérêt ces dernières années et a
donné lieu à de nombreux travaux.
La diversité spatiale est maintenant pleinement utilisée dans le modulateur/
démodulateur lui-même. A la différence du WiFi ancienne génération, le MIMO s’appuie sur
la technologie multi-antennes pour transmettre des informations différentes sur chaque
antenne.

37
III-1 Etat de l’art des techniques MIMO :
Dans cette partie, nous nous limitons sur les techniques MIMO dans le contexte de
l’égalisation. Nous allons aborder les différentes techniques d’émission et de réception multi-
antennes. Tout d’abord, nous parlons sur les premières techniques de diversité d’émission ou
de retard dont les premiers articles ont été écrits en 1993. Ensuite, nous décrivons les
techniques à multiplexage spatial découvertes par Foschini en 1996. Les techniques à water-
filling inventées par Shannon et appliquées par Telatar en 1995 pour les systèmes MIMO sont
présentées. [6]
Diversité d’émission ou de retard
La notion de diversité d’émission apparaît avec Wittneben en 1993. Dans son article, il
propose un système utilisant plusieurs antennes à l’émission pour apporter de la diversité
spatiale. Les différentes antennes transmettent la même information, mais elles ont des
paramètres de modulation différents. La même année Seshadri propose deux différents
schémas utilisant plusieurs antennes à l’émission. Le premier schéma inclut le codage de
canal et transmet simultanément les symboles codés sur les différentes antennes. Il observe
que le gain de diversité existe si les canaux sont décorrélés entre les antennes d’émission et de
réception. Le deuxième schéma introduit une distorsion multi-trajets en émettant des versions
retardées des symboles à émettre sur les différentes antennes. Un détecteur à maximum de
vraisemblance est utilisé à la réception. En 1996, Guey étudie la diversité d’émission sur des
canaux de Rayleigh plats en utilisant des séquences de symboles pilotes et fournit le critère de
construction de ces séquences [6].
En 1997, Paulraj décrit les différentes possibilités offertes pour exploiter la diversité
spatiale et donc améliorer la capacité, la couverture et la qualité des réseaux sans fil. En 1998,
Winters étudie le potentiel de la diversité d’émission dans un environnement de Rayleigh
grâce à l’émission de différentes versions de symboles retardés pour créer artificiellement un
canal sélectif en fréquence nécessitant un égaliseur afin d’obtenir un gain de diversité
permettant de combattre les évanouissements. En 1999, Narula traite différents aspects de la
conception et de l’optimisation des méthodes de diversité d’émission sur des canaux variant
lentement en temps avec codage de canal [6].
Techniques à multiplexage spatial
Le point de départ de cette branche remonte sur les travaux fondateurs des Bell Labs
qui ont débouché sur l’architecture DBLAST, dénomination explicitée plus loin [18]. Les
travaux de Foschini à partir de 1996 utilisent les systèmes multi-antennes par une architecture
à multiplexage spatial dont les symboles sont détectés successivement d’antenne d’émission

38
par antenne d’émission de manière à exploiter de façon optimale la diversité et la capacité.
Cette diversité est exploitée de façon optimale grâce à une architecture diagonale nommée D-
BLAST3 [6].
En 1998, Foschini décrit de manière plus théorique la technique D-BLAST et
considère ensuite des cas plus réalistes. Durant la même année Foschini et Wolniansky
proposent un système qu’ils nomment V-BLAST4 ou H-BLAST5 et qui a la particularité
d’être plus simple à mettre en oeuvre que la première architecture. En utilisant un prototype
créé au sein de leur laboratoire, ils démontrent qu’il est possible d’obtenir des efficacités
spectrales de l’ordre de 20 à 40 bps/Hz en environnement intérieur à des BER6 et des SNR7
réalistes. En 1999, Foschini étudie le système V-BLAST et les récepteurs associés similaires
aux détecteurs des systèmes multi-utilisateurs en présence de bruit blanc gaussien. Une plate-
forme de tests opérant à 1.9 GHz montre une efficacité spectrale de 36 bps/Hz avec 12
antennes émission et 16 antennes de réception comparée à la limite de Shannon de 71.1
bps/Hz. En 2000, Ariyavisitakul utilise le multiplexage spatial proposé par Foschini et
applique du codage de canal avec un turbo décodage. Le résultat montre que l’utilisation
d’une architecture espace-temps se fait pratiquement sans perte d’information dans le cas
décorrélé comparé à un système SISO. Le principe turbo appliqué au multiplexage spatial a
été proposé la même année par Sellathurai.
En 2001, Ginis montre que le récepteur utilisé dans V-BLAST n’est autre qu’un DFE8
appliqué au canal MIMO. Les opérations du récepteur V-BLAST dépendent du critère ZF ou
MMSE choisi, et sont fondamentalement équivalentes à un DFE auquel est appliqué un critère
ZF ou MMSE. En 2001, El Gamal propose un nouveau système à base de multiplexage spatial
combinant des codes algébriques avec des techniques itératives en réception en s’aidant des
techniques multi-utilisateurs SISO grâce à la connaissance des codes utilisés par chaque
antenne d’émission. En 2001, Farrokhi présente une architecture optimale à base de
multiplexage spatial en présence d’une interférence spatiale colorée et la compare aux
systèmes à base de multiplexage spatial connus.
En 2003, Foschini analyse les différentes architectures des systèmes multi-antennes.
D’abord, l’architecture D-BLAST, ensuite l’architecture H-BLAST ou V-BLAST et ensuite
l’architecture avec un simple code externe.
Techniques à water-filling
Quand le canal est connu à la fois de l’émetteur et du récepteur la solution optimale au
sens de la capacité est une solution de water-filling qui a été décrite par Télatar en 1995. Les
puissances sont reparties de manière différente sur les antennes afin d’exploiter au maximum

39
la capacité en revalorisant les valeurs propres trop faibles du canal multi-antennes. La CSI au
niveau de l’émetteur peut également être utilisée pour une technique de beamforming.
En 1998, Raleigh propose une nouvelle structure optimale spatio-temporelle. L’effet
d’un canal multi-trajet peut améliorer la capacité des systèmes MIMO dans le cas où le
nombre de trajets est supérieur au minimum du nombre d’antennes d’émission et de réception.
Une nouvelle structure est aussi proposée, utilisant une approche espace-fréquence DMMT9
qui a l’avantage d’être moins complexe que l’approche espace-temps.
En 2001, Sampath propose d’associer à un code espace-temps un système de pré-
distortion correspondant à une solution de water-filling connaissant seulement les corrélations
des différents canaux au niveau de l’émetteur. Ce système à water-filling transmet les données
sur les différentes antennes dont les puissances dépendent des différentes valeurs propres et
permet d’obtenir de meilleurs résultats.
En 2002, Scaglione introduit un nouveau système de pré-distorsion. Cette pré-
distorsion est effectuée à l’émission en connaissant le canal à l’émission et opère de façon
conjointe sur les dimensions spatiales et temporelles. Les critères utilisés pour cette pré-
distorsion à l’émission sont des critères de minimisation de l’erreur quadratique moyenne ou
de maximisation de la distance minimale entre les symboles sous des contraintes de puissance
crête et puissance moyenne. Ce système convertit un canal MIMO sélectif en fréquence en un
ensemble de canaux plats, tout en utilisant un système water-filling sur les différents canaux
multi-antennes.
Systèmes multi-antennes dans un environnement multi-cellulaire
En 2002, Ng note que dans les systèmes multi-utilisateurs et multi-antennes,
l’interférence entre cellules et entre antennes présente un problème majeur sur la voie
montante. Ng propose donc une modulation résistant aux interférences afin d’améliorer les
performances sans codage de canal ni d’augmentation de la bande passante. En 2002,
Farrokhi étudie l’intérêt d’utiliser des réseaux d’antennes à l’émission et à la réception dans
un environnement multicellulaire. Les résultats confirment le grand potentiel des systèmes
multi-antennes, en particulier dans des environnements riches en diffuseurs et permettant
d’utiliser des antennes soit pour supprimer des interférences entre cellules réduisant ainsi le
facteur de réutilisation, soit d’augmenter le débit avec le minimum du nombre d’antennes
émission-réception. Même dans des environnements sans multi-trajets, des techniques de
beamforming et annulation d’interférence peuvent également être choisies et améliorent les
performances.

40
 En 2002, Catreux propose des techniques d’adaptation de lien, où la modulation, le
rendement de code et d’autres paramètres de transmission sont dynamiquement changés
suivant les conditions de propagation du canal MIMO dans un environnement multi-
cellulaire. Catreux propose des algorithmes robustes et efficaces en utilisant des systèmes
adaptatifs multi-antennes multi-porteuses.
III -2 Diversité spatiale :
La diversité spatiale consiste à utiliser plusieurs antennes distantes d’au moins la
distance de cohérence du canal (distance minimale pour obtenir des évanouissements
indépendants). La diversité spatiale existe à l’émission et en réception, mais elle n’y joue pas
tout à fait le même rôle. En effet la diversité spatiale à l’émission, aussi appelée diversité de
transmission, diffère selon que l’émetteur connaisse ou non le canal. Si l’émetteur connaît le
canal il peut en profiter pour optimiser la transmission, sinon il utilisera plutôt un code
espace-temps (STC) [22].

Figure (III-1): différents type de diversité spatiale

III -3 Présentation du système multi-antennaires :
Dans un système mono-antenne, l’augmentation de la taille de la modulation ou de la
bande de fréquence utilisée sont les seules solutions pour augmenter le débit de données, avec
tous les problèmes de complexité ou d’encombrement que cela entraîne. Partant du point de
vue de la théorie de l’information, deux membres des laboratoires de recherche Bell, Telatar
et Foschini, ont parallèlement et indépendamment montré que la capacité des systèmes multi-
antennes augmentait linéairement avec le nombre d’antennes émettrices, dépassant de manière
significative la limite théorique de Shannon [17]

T R
Figure (III-2): Système MIMO

41
 Il existe différents types de systèmes multi-antennaires, les systèmes SIMO (une
antenne à l'émission, plusieurs antennes en réception), les systèmes MISO (plusieurs antennes
à l'émission, une antenne en réception) et les systèmes MIMO. Le premier système multi-
antennaires (MISO) a été réalisé par Marconi en 1901 afin d'accroître le gain de transmission
pour une communication trans-atlantique. Ainsi il put émettre le signal Morse de la lettre .S.
sur une distance de 3425km entre Pohldu (Angleterre) et St. John (Terre-Neuve). Les
systèmes multi-antennaires ont évolué au cours du siècle dernier et sont en constante
progression actuellement [19].

Figure (III-3): Illustration des différents systèmes multi-antennaires :

(a) système SISO – (b) système SIMO – (c) système MISO – (d) système MIMO

Pour les systèmes dits «conventionnels », lorsque l’émetteur possède plusieurs

antennes, il émet sur chacune d’elles une version déphasée du même symbole, fournissant
ainsi une directivité réglable à l’émetteur. Le récepteur avec plusieurs antennes peut lui aussi,
en pondérant le signal de chaque capteur, choisir une direction de réception privilégiée.

42
 Les systèmes MIMO que nous étudions dans cette thèse agissent d’une manière
différente, la capacité de la transmission augmente en réalisant le multiplexage spatial. Les
antennes émettrices transmettent chacune un symbole différent, indépendant de celui des
autres antennes, mais en utilisant la même modulation, la même fréquence porteuse et en étant
synchronisées. La bande passante utilisée reste identique à celle d’un système monoémetteur,
mais comme plusieurs symboles sont émis, l’efficacité spectrale augmente [22].
Les techniques conventionnelles utilisées à la réception pour annuler la distorsion
apportée par le canal MIMO nécessitent souvent, soit la connaissance du canal, soit
l’utilisation d’une séquence de symboles connue au niveau du récepteur. Dans la pratique le
canal est inconnu, donc une estimation de ce dernier est nécessaire. Souvent l’estimation du
canal est basée sur l’utilisation des séquences d’apprentissage multiplexées avec les données
utiles, ce qui diminue bien évidemment le débit utile. Pour des canaux invariants dans le
temps, la perte n’est pas significative car un seul cycle d’apprentissage est nécessaire.
Afin d’améliorer la qualité de la transmission, Tarokh puis Alamouti ont conçu des
systèmes basés essentiellement sur la diversité, proposant un codage et un étiquetage
conjoints. La redondance ainsi introduite permet alors de réduire considérablement le Taux
Erreur Bit, sacrifiant une partie du gain en débit dû à la multiplicité d’antennes [17].

III -4 Canal de propagation MIMO :

La figure (III-4) montre un système MIMO avec T antennes d’émission et R antennes
de réception. L’expression générale peut être exprimée comme suit :
y(t) = H(t) * s(t) + b(t)
où y(t) représente le signal reçu, s(t) le signal émis , b(t) le bruit, * l’opération de convolution,
et H(t) représente la matrice du canal de taille TxR.
Définissons dans un premier temps un système MIMO constitué de NT antennes à
l’émission et de NR antennes en réception. L’émetteur transmet simultanément le multiplex de
signaux {si} (i=1…NT), où la composante alimente l’antenne i. L’ensemble des antennes de
réception récolte les signaux {yj} (j=1…NR) résultant de la superposition des signaux transmis
filtrés par le canal. Le signal reçu sur l’antenne j s’écrit :
NT
y j = ∑ h ji si + b j (III-1)
i =1

où bj le bruit additif gaussien associé à l’antenne de réception j suivant la loi a (0, σn2).
L’équation (III-1) peut être formulée sous forme matricielle :
Y=HS + B (III-2)

43
 h11 ... h1NT 
 
avec : H =M M M  (III-3)
hN 1 ... hN N 
 R R T 

et : S = [s1,…………,sNT]T (III-4)
T
Y = [y1,…………,yNT] (III-5)
B = [b1,…………,bNT]T (III-6)

h11

h12
h13
h21
h22

HTR

T antenne d’émission R antenne de réception

Figure (III-4): Modèle Système MIMO

Dans plusieurs cas, les éléments de la matrice du canal MIMO sont supposés
indépendants lorsqu’on veut étudier la capacité de canal MIMO. Autrement dit les signaux
reçus sont décorrélés. Sous cette hypothèse, la capacité s’augmente linéairement en fonction
du nombre minimum d’antennes d’émission et de réception pour un grand nombre d'antennes.
Cette hypothèse n’est pas valable en pratique lorsque l’espacement entre les antennes est
insuffisant ce qui diminue la capacité en comparant à la capacité idéale [23].
III -5 Multiplexage spatial :
Le multiplexage spatial (MS) est l’une des premiers techniques MIMO mise en œuvre
qui a fait découvrir les systèmes MIMO avec les publication des Bell Labs [26][27]. Le
principe d’un système à multiplexage spatial est de fournir un vecteur de symboles différents
sur les antennes d’émission. L’objectif du multiplexage spatial est de transmettre un symbole

44
par antenne dans un intervalle de temps, ce qu’est équivalent d’une transmission de T
symbole dans un intervalle de temps pour un système de T antennes émettrices [29]. Le
multiplexage spatial consiste à séparer le flux de données en autant de sous flux qu’il y a
d’antennes d’émission. Le flux de données en entrée du multiplexeur est traité selon la figure
ci-dessous dans le cas de deux antennes d’émission. Le premier bit est transmis sur la
première antenne, le deuxième sur la seconde et ainsi de suite, mais en utilisant la même
modulation et la même fréquence porteuse. La bande passante utilisée reste identique à celle
d’un système classique, mais comme plusieurs symboles sont émis, l’efficacité spectrale
augmente.

Figure (III-5): Multiplexage spatial sur deux antennes

L’avenir des communications numériques réside sans doute dans la capacité à envoyer
simultanément des informations spécifiques pour différents types d’applications. Les chaînes
de symboles envoyées à différents sous-canaux dédiés avec un codage approprié, imposent
aux systèmes de transmission une certaine souplesse [17].
L’inconvénient de multiplexage spatial est que la plupart des algorithmes de décodage
ne fonctionnent que lorsque le nombre d’antennes de réception égale au celui d’antenne
d’émission [29].

III -6 Le codage spatio- temporel:

Le codage spatio-temporel (CST) introduit simultanément de la redondance spatiale et
temporelle dans les données. Cette technique exploite la diversité à l’émission et augmente la
robustesse du lien. Le CST conduit à des débits inférieurs à ceux qui peuvent être atteints avec
le MS. On distingue deux familles principales de codes : les codes en blocs STBC (Space
Time Block Code) et les codes en treillis STTC (Space Time Treillis Code).

45
Les STTC sont performants, leur complexité rend difficilement implémentables [27]. Un
exemple de STTC est le système de diversité de délai. Dans un tel système, la première
antenne en se servant de k bits en entrée, transmet un symbole ; la deuxième antenne
transmettra le même symbole après un délai d’un symbole. En réception un décodage au
maximum de vraisemblance est utilisé. Certains de ces codes exploitent la diversité de délai
tandis que d’autres fournissent des gains et des performances meilleurs que ceux des codes à
diversité de délai.
Pour réduire la complexité exponentielle du décodeur dévolu aux STTC, Alamouti a proposé
un schéma simple de diversité d’émission, étendu par la suite par Tarohk et al. [17][30][31]
pour former une nouvelle classe de codes spatio-temporels: les codes spatio-temporels en
blocs (CSTB)
Le schéma original d’Alamouti comportait deux antennes à l’émission pour atteindre un ordre
de diversité égal à 2 et une seule à la réception, le tout sans aucune connaissance du canal à
l’émission. La structure de codage proposée peut être représentée matriciellement sous la
forme suivante:
 s0 − s1* 
S =  (III-6)
s s * 
 1 0 

[s 0 − s1* ]
Source
d’information Modulation
 s0 − s1* 
[s0 s1 ] →  
[s 1 s 0* ]
*
 s1 s0 

Figure (III-6): Codeur espace-temps d’Alamouti

L’objectif de ce schéma de codage est la diversité pure, et il n’est pas question ici
d’augmentation du débit de données. Les lignes de la matrice S représentent les antennes alors
que les colonnes sont les poids attribués à chaque période symbole. Pour le premier symbole,
l’antenne 1 émet s0 et l’antenne 2 émet s1. Pour le deuxième symbole, l’antenne 1 émet -s1*
et l’antenne 2 émet s0* les conjugués complexes de s1 et s0. Ceci implique qu’on a émis le
symbole en espace (deux antenne) et en temps (deux intervalles) à la fois :
[
s0 = s0 , − s1* ]
= [s , s ]
*
(III-7)
s1 1 0

46
 Le produit de s1 et s0 donne: s0 s1= s0s1*- s1*s0 =0 ce qui signifie que les séquences sont
orthogonales [32].
Il faut noter qu’il n’ y a aucune mémoire entre les blocs consécutifs et que la longueur
typique d’un bloc est très courte, ce qui restreint fortement le gain de codage [17].
Un exemple de code espace-temps est schématisé par la figure ci-après, les deux
symboles sont modulés en QPSK, ses représentations dans le plan complexe sont données.
Les symboles émis par les deux antennes sont dessinés sur le coté droit de la figure.
3-6 Le codage spatio- temporel:

s0 -s1*
s0 s1

s1

s0 *

Figure (III-7): Exemple d’un codeur d’Alamouti

L’opération de décodage suppose que les évanouissements restent constants [25].

Autrement dit, les coefficients du canal de la première antenne jusqu'à la jièm antenne
réceptrice hj,0 et les coefficients du canal de la deuxième antenne jusqu'à la jièm antenne
réceptrice hj,1 doivent satisfaire les équations suivantes :
h j , 0 = h j , 0 (t ) = h j , 0 (t + T ) = h j , 0 (t 0 ) = h j ,0 (t1 )
(III-8)
h j ,1 = h j ,1 (t ) = h j ,1 (t + T ) = h j ,1 (t 0 ) = h j ,1 (t1 )

Les signaux reçus satisfissent :

y 0j = h j , 0 .s0 + h j ,1 .s1 + b 0j
(III-9)
y1j = −h j , 0 .s1* + h j ,1.s0* + b1j

Avec bj0, bj1 représentent les bruits BGA ajoutés à chaque antenne réceptrice j.
Le traitement du décodage est simple et ne requis qu’un combinateur du signal et un
décodage à maximum de vraisemblance. Le combinateur effectue les différentes opérations
linéaires comme l’addition, la multiplication et les transformations conjuguées du signal reçu
[25]. Les traitements de combinaisons suivant le maximum de vraisemblance sont donnés
par les équation suivantes:

47
 { ( ) }= ∑ ∑ h { ( ) }
N −1 1 N −1 2 N −1
s0 = ∑ h *j , 0 . y 0j + h j ,1 . y1j
~ .s0 + ∑ h*j ,0 .b 0j + h j ,1 . b1j
* *
j ,i
j =0 i =0 j =0 j =0
(III-10)
{ ( ) }= ∑ ∑ h { ( ) }
N −1 1 N −1 2 N −1
s1 = ∑ h *j ,1. y 0j + h j , 0 . y
~ 1 *
j j ,i .s1 + ∑ h *j ,1.b 0j + h j , 0 . b 1 *
j
j =0 i =0 j =0 j =0

III -7 Capacité du canal MIMO:

Shannon a démontré qu’il existe un débit d’information en dessous duquel il est
possible de transmettre avec une probabilité d’erreur arbitrairement faible en utilisant un
codage suffisamment élaboré. Au dessus de ce débit, la probabilité d’erreur ne peut plus être
annulé. Cette grandeur s’appelle la capacité du canal. Elle nous permet de connaître la
quantité maximum d'information en bits/s/Hz.
La capacité pour les systèmes de communications sans fil dépend de plusieurs
facteurs, tel que le bruit, le nombre d’antennes utilisé à l’émission et à la réception, et le
nombre de réflexions ou les composants multi-trajets générés durant la propagation. Certains
paramètres sont fixés, et d’autres peuvent être modifié afin de maximiser les performances du
système MIMO [29].
On considère premièrement le cas simple : canal SISO. En supposant que le bruit est
BGA, la capacité peut être exprimée par :
C=log2 (1+ρR) bits/s/Hz (bps/Hz), (III-10)
Où ρR=PR/ b est le RSB moyen au récepteur, b représente la puissance du signal
additif (bruit), et PR est la puissance moyenne reçue. Cette capacité augmente lentement en
fonction du logarithme 1+ρR
Pour un canal MIMO, la capacité est représentée en fonction de l’état de connaissance
du canal et de la normalisation de la matrice de transfert du canal. Le signal reçu s’écrit sous
la forme [33]:
Y=H.S + B (III-11)
Avec S le vecteur (NT, 1) du signal émis de covariance Q,
Y le vecteur (NR, 1) du signal reçu
H la matrice (NR, NT) des coefficients du canal entre chaque antenne d'émission et
chaque antenne de réception
B le vecteur (NR, 1) de bruit blanc gaussien de covariance: σb²INR.
La matrice de covariance des symboles émis est de la forme suivante :
Q=WPW* (III-12)

48
avec W la matrice des pondérations sur chaque antenne et P la matrice de répartition des
puissances. Dans cette thèse, les calculs de la capacité d’un tel system déjà démontré dans
[34] ne sont pas repris en détail. Nous baserons tous les calculs sur la formulation suivante :
  1 
C = log 2  det  I N R + 2 HQH *   (III-13)
  σb 
Cette capacité est appelée capacité instantanée du canal et dépend de la valeur
instantanée du canal. Il est possible de maximiser la capacité en choisissant judicieusement la
matrice Q de répartition des signaux à émettre. Cette opération dépend de l’état de
connaissance du canal au niveau de l’émetteur [33].
III -7-1 Connaissance du canal à l'émetteur:
III -7-1-1 Canal inconnu à l’émetteur :
Lorsque le canal est inconnu à l’émetteur, une stratégie d’émission consiste à envoyer
des symboles indépendants sur chaque antenne et à leur allouer la même puissance (BLAST).
La matrice de covariance optimale vaut alors :
pmax
Q= I NR (III-14)
NT
L’expression de la capacité optimale devient :
  p 
C = log 2  det  I NR + 2max HH *   (III-15)
  σ b NT 

  ρ 
C = log 2  det  I NR + HH *   (III-16)
  NT 
min( NT , N R )
 ρ 
C= ∑ log 2
1 + λi 
N T 
(III-17)
i =1 
pmax
avec ρ = le rapport signal sur bruit et où les λi , i∈[1, R=min (NT, NR)] sont les valeurs
σ b2
propres de la matrice HH* si NR≤ NT ou de la matrice H*H si NR> NT
III -7-1-2 Canal connu à l’émetteur :
La capacité devient maximale lorsque les canaux sont indépendants [24]. Cette
condition est valable si la matrice H est diagonale : H=D :
 y1  d1 0   s1  b1 
 y  = 0 d   s  + b  , ou Y=D.S+B (III-18)
 2  2  2  2
En réalité, Telle condition est non réalisable. Il faut « diagonaliser » la matrice H. Pour
cette raison, des traitements sont ajoutés à l’émission et à la réception pour avoir une matrice

49
diagonale [24]. La diagonalisation permet d’exprimer le canal comme la superposition de
plusieurs canaux « propres » décorrélés. En effet, comme le rappelle [35], il a été démontré
que le canal de propagation est constitué de la superposition de plusieurs sous canaux
indépendants transportant chacun une fraction du signal transmis [27]. La décomposition en
valeurs singulières (SVD) de la matrice H permet de diagonaliser le système d’équation III-
11 :
H=U.D.V* (III-19)
avec D la matrice diagonale de taille (NRxNT) contient le n valeurs singulières réelles positives
ou nulles λi1/2 de la matrice de canal H où les λi sont les valeurs propres de la matrices H.H*.
Les matrices U et V sont des matrices unitaires vérifiant:
V.V*=INT (III-20)
*
U.U = INR (III-21)
Pour des raisons pratiques, ces valeurs sont ordonnées par ordre décroissant. Le
nombre r de valeurs singulières non nulles correspond au rang n de la matrice H.
D=diag (λ11/2, λ21/2,…, λn1/2) (III-22)
λ11/2≥ λ21/2 ≥…≥ λn1/2 ≥0 (III-23)
n=min(NR, NT) (III-24)
De façon équivalente, les coefficients du canal hij s’expriment comme la somme de r
canaux indépendante tels que :
r
hij = ∑ λ1k/ 2 .uik .v *jk (III-25)
k =1

Comme le montre la figure suivante, la décomposition du canal en valeurs singulières

permet d’assimiler le canal de propagation, constitué de NR.NT canaux plus ou moins corrélés,
à n canaux totalement décorrélé de coefficients de transfert λi1/2 [27]. La valeur de ces
coefficients dépend du degré de corrélation et du rang de la matrice de canal H. Ces valeurs
singulières tendent vers zéro lorsque la corrélation entre les trajets augmente.

50
Figure (III-8): Décomposition d’un canal de propagation MIMO en canaux indépendants par SVD
(à gauche : représentation classique en canaux corrélés, à droite ; représentation en canaux
découplés)

Dans la mesure où la SVD fournit une représentation équivalente du canal H, les

coefficients de transfert du canal (λk ou hij selon la représentation choisie) conservent la même
puissance totale.
r N R NT

∑λ = ∑∑ hij
2
= H
2
k F
(III-26)
k =1 i =1 j =1

Cette décomposition montre qu’au plus r antennes reçoivent un signal. Les autres
antennes (r+1 à n) associées à des valeurs singulières nulles ne reçoivent que du bruit. Aussi,
dans représentation équivalente, le nombre effectif d’antennes recevant un signal se limite à r
qui est lui-même inférieur ou égale au minimum du nombre d’antenne d’émission et de
réception (r ≤ min(NR,NT)).
La capacité en fonction des valeurs singulières s’écrit :
  p 
C = log 2  det  I NR + 2max HH *  
  σ b NT 

 1
( *
C = log 2 det( I NR + 2 U * H Q U * H 
σb
)( )
 
L'émission selon les modes propres consiste à prendre pour matrice de pondération W=V
On a donc d'après l’équation (III-12) :
Q=VPV* (III-27)

d’après (III-19) :
 1
( 
C = log 2 det( I NR + 2 U *UDV * Q VD *U *U 
σb
) ( ) (III-28)
 

  1 
et d’après (III-27) : C = log 2 det  I NR + 2 DPD*  (III-29)
  σb 

51
L’allocation des puissances se fait selon la technique dite du Waterfilling en fonction des
valeurs propres de HH* ou H*H :

Figure (III-9): technique du Waterfilling

 σ2 σ2
 σ b2  µ − b si λi > b
pi = max µ − ,0  =  λi µ (III-30)
 λi  
0 sinon

min( NT , NR )
où µ est choisie de sorte que : ∑p
i =1
i = p max

donc d’après l’équation III-29, on obtient:

  1 
C = log 2 det  I NR + 2 PDD*  (III-31)
  σb 
min( NT ,TR )
 1 
C= ∑ log 2 1 + 2 pi λi  (III-32)
i =1  σb 
D’après III-30, on trouve :
min( NT ,TR )   µλ 
C= ∑ log 2  max 2i ,1  (III-33)
i =1   σb 

  1 
C = log 2 det  I NR + 2 PDD*  (III-34)
  σb 
La technique du Waterfilling peut s'interpréter à l'aide d'une analogie avec des tubes
remplis d'eau. La puissance affectée à chaque mode propre est représentée par une quantité
d'eau versée dans un tube (Figure III-8).

52
 À chaque mode propre, on associe un tube dont la hauteur est inversement
proportionnelle à la valeur propre du mode. On verse alors dans les tubes une quantité d'eau
Pmax, de sorte que le niveau d'eau soit le même partout, égal à µ. La quantité d'eau dans
chaque tube est égale à pi. La hauteur du tube est inversement proportionnelle au TEB
[36][33].
III -7-1-3 Canal partiellement connu :
Vu la sélectivité temporelle du canal, le canal peut être seulement partiellement connu.
Cependant, il est possible d'exploiter la connaissance partielle du canal à l'émetteur grâce à
une statistique relative au canal telle que sa distribution, sa moyenne ou encore sa covariance
[33][37].
La Figure III-9 présente les résultats obtenus par Medles [33][38]. Les courbes représentent la
capacité moyenne en fonction du rapport signal à bruit selon la connaissance du canal à
l'émetteur pour un système MIMO 4x4. Le Waterfilling, appliqué dans le cas où le canal est
parfaitement connu à l'émetteur (Cas 1), fournit la capacité la plus élevée. La capacité est 30%
à 65% plus faible si le canal est inconnu à l'émetteur (Cas 3) contre seulement 16% à 17% si
l'émetteur connaît la matrice de covariance du canal (Cas 2).

TEB (db)

Figure (III-10): Capacité moyenne en fonction du degré de connaissance du canal à l'émetteur

pour un système 4x4 : connaissance totale (Cas 1), partielle (Cas 2) ou nulle (Cas 3) [38][33]

III-8 Conclusion :
Dans ce chapitre, on a abordé les différentes techniques du système MIMO. Les
techniques MIMO présentent beaucoup d’avantages. Le débit peut atteindre un niveau
maximum en exploitant la dimension spatiale. L’efficacité spectrale peut aussi atteindre un

53
seuil très élevé jusqu'à 40 bit/s/Hz. Ces avantages ont reçu beaucoup d’intérêt notamment ces
dernières années.
Dans le chapitre qui suit, on va parler sur l’égalisation dans les systèmes MIMO, et ses
avantages vis-à-vis les canaux SISO. On va traiter les différents types d’égaliseurs en
discutant sur les caractéristiques et les performances.

54
CHAPITRE IV:
Algorithmes de réception
associés aux systèmes MIMO

L a détection est une opération nécessaire pour récupérer le signal émis. Plusieurs
techniques de réception sont employées par les systèmes MIMO dont quelques unes
assez générales et d’autres étroitement liées à la technique voire au multiplexage spatiale
utilisé en émission. Dans ce contexte, deux stratégies sont utilisées pour traiter les signaux
reçus [27]:
- la somme de tous les signaux émis est considérée de façon globale. Le signal est
alors traité par des méthodes d’égalisation classique reposant sur l’annulation des interférence
(ZF), la minimisation de l’erreur quadratique moyenne (MMSE) ou maximum de
vraisemblance.
- les signaux élémentaires en provenance de chaque émetteur sont identifiés
séparément. On cite par exemple l’algorithme V-BLAST qui essaie d’éliminer
successivement les interférences dues aux émetteurs autres que celui dont on estime les
symboles. Il se sert donc de toute l’observation dont il dispose pour récupérer l’information
[17].
Par souci de simplicité, on considère que le signal est non codé et que le canal est
connu par le récepteur et que la connaissance du canal n’est pas prise en considération à
l’émission.

b
s ŝ
Détecteur

Figure (VI-1): Détection des symboles reçus

55
 IV-1 Les méthodes d’égalisation classique :
IV-1-1 Critère de forçage de zéro :
Dans le cas où la somme de tous les signaux émis est considérée de façon globale, un
traitement de type Zero Forcing est simple à implémenter puisqu’il s’agit que d’une inversion
de matrice [27].
Supposant que H est inversible, le vecteur de symboles estimés de taille NT x 1 est alors donné
par la relation:
sˆ = H −1 y = s + H −1b (VI-1)
Le récepteur ZF sépare ainsi parfaitement les symboles si (i=1….NT) transmis dans le
même canal. Lorsque H est mal conditionnée, le récepteur ZF donne des résultats corrects
pour des RSB élevés, mais pour de faibles RSB le bruit perturbe fortement les performances.
En pratique, si H n’est pas carrée (NT ≠ NR) le récepteur multiplie y à gauche par le pseudo
inverse de H de la matrice de canal pour récupérer tous les symboles. Dans ce cas, le vecteur
estimé s’écrit:
sˆ = ( H * H ) −1 H * y (VI-2)

s y
ŝ

Figure (VI-2): Egalisation Zero Forcing

IV-1-2 Égaliseur à erreur quadratique minimale (MMSE) :

L’égalisation ZF ne considère pas l’effet de l’égalisation à accroître le bruit. Pour
remédier à ce problème, l’erreur quadratique moyenne est minimisée.
Le but de l’égaliseur linéaire à erreur quadratique minimale est de minimiser l’erreur globale
due au bruit et à l’interférence mutuelle des signaux transitant par le même canal. Il est donc
clair que l’égaliseur MMSE maximise le RSB effectif. D’autre part, quand le bruit est
négligeable ou bien le RSB tend vers l’infini, l’égalisation MMSE converge vers le ZF.
L’erreur quadratique moyenne est donnée par:
{
EQM = E (s − sˆ ) (s − sˆ )
*
} (VI-3)

56
où le symbole estimé égale :

−1
ρ  ρ 
sˆ = H  σ b2 I NR +
*
HH *  y (VI-4)
NT  NT 
ρ
{ }
avec : E ss * =
N T I NT
{ }
et E bb * = σ b2 I NR

Malgré il est incapable de supprimer toutes les IES [17], l’égaliseur MMSE est
largement utilisé en pratique, il est largement utilisé dans les différents systèmes de
communication [39].

IV-1-3 Récepteur à Maximum de Vraisemblance (MV)

Le récepteur qui apporte les meilleures performances en terme de taux d’erreur est le
récepteur à maximum de vraisemblance. Cependant, ce récepteur possède aussi la plus grande
complexité et celle-ci croît exponentiellement avec le nombre d’antennes émettrices. En
supposant un bruit gaussien et un état de canal parfaitement connu côté récepteur, le récepteur
MV donne les symboles estimés ŝ grâce à la formule:

sˆ = arg min y − Hs
2
(VI-5)

où la recherche de la distance minimale s’effectue sur tous les mots de code s possibles. Il est
important de noter que, si on note M la taille de la constellation, le récepteur doit calculer les
distances pour un ensemble de vecteurs possibles de taille MNT , et le temps de calcul devient
vite prohibitif pour les constellations de grande taille, même pour un faible nombre
d’antennes émettrices (par exemple, pour une MAQ-64 et NT = 3, le récepteur doit passer en
revue (23)6=262 144 vecteurs différentes).

IV-2 Algorithme V-BLAST :

Une autre approche d’égalisation est l’égaliseur à retour de décision (DFE) adapté à la
structure des systèmes MIMO. De telles combinaisons pour les canaux MIMO furent
initialement proposées comme récepteur pour les architectures BLAST.
Le principe de l’algorithme du récepteur V-BLAST a été présenté dans [40].
L’égaliseur peut utiliser soit le critère du forçage à zéro, soit le critère du MMSE [22].
Son principe est l’utilisation de la technique « diviser et conquérir » au lieu d’un
décodage conjoint de tous les symboles. L’algorithme détecte d’abord le symbole le plus
puissant, puis annule l’effet de ce dernier sur le reste des symboles. Il passe donc au prochain
symbole le plus puissant et continue le même procédé jusqu’à ce que tous les symboles soient

57
détectés. L’ordre de détection optimale est du symbole le plus puissant au symbole le plus
faible. Ce récepteur est aussi noté dans la littérature OSIC (Ordered Successive Interference
Cancellation) [22].
Les six étapes de l’algorithme de réception d’un vecteur sont les suivantes :
1. Choix de l’antenne i correspondant au meilleur RSB.
2. Le symbole si de l’émetteur i choisi est démodulé, sa valeur est stockée pour la suite. Le
RSB de l’émetteur i étant le plus élevé, la probabilité d’erreur de si est la plus faible, d’où le
choix de le démoduler en premier.
3. En multipliant la ie colonne de H avec si, on obtient la contribution de si sur chaque
composante du vecteur reçu y.
4. Cette contribution est soustraite du vecteur y, afin d’obtenir ce qui aurait été reçu en
l’absence du symbole si. Cette opération améliore le RSB des autres symboles, à condition
que la bonne valeur de si ait été choisie [41].
5. La ie colonne de la matrice H est forcée à zéro, formant la matrice de canal entre toutes les
antennes sauf le ie émetteur. Cette matrice devient la nouvelle matrice de canal pour l’itération
suivante, le ie symbole ayant déjà été démodulé.
6. Les étapes 1 à 5 sont répétées NT fois, jusqu’à ce que tous les symboles soient démodulés.
Cet algorithme améliore nettement les performances du récepteur, sans trop augmenter sa
charge de calcul [22].
On peut résumer ces six étapes en trois critères : l’ordonnancement, l’annulation des
interférences, et la nullité des interférences.
L’ordonnancement c’est décider quel symbole à détecter sur chaque étape du
d’égalisation suivant le RSB le plus élevé. L’annulation d’interférence à pour but de
supprimer l’interférences du symbole en cours dans le décodage des prochain symbole. La
nullité d’interférence recherche la meilleure estimation du symbole [42].

y2 ŝ 2
y ŝ1 y3
Démodule sˆ1 H 1 Démodule sˆ2 H 2
s1 s2

ŝ1 ŝ 2

Figure (VI-3): Egaliseur V-BLAST

58
 Comme pour tous les égaliseurs à retour de décision, son principal inconvénient est la
propagation des erreurs. Une fois qu’une mauvaise décision a été prise sur la valeur d’un
symbole, une mauvaise contribution est retirée au vecteur y, ce qui entraîne que les symboles
suivants seront presque certainement mal estimés.
D’autres techniques ont été développées sur la base de l’algorithme V-BLAST, on cite
par exemple l’algorithme D-BLAST.

IV-3 Algorithme D-BLAST :

L’architecture D-BLAST est très similaire à celle du V-BLAST. La différence
principale est dans la façon dont les signaux sont transmis sur des différentes antennes. Dans
la technique V-BLAST, tous les signaux dans une même couche sont transmis par la même
antenne alors que dans la technique D-BLAST, les signaux sont décalés après transmission.
Ce décalage augmente la complexité du traitement mais améliore la performance [42][29].

Modulation

Modulation
Décalage
cyclique
Démux . des
1 :N . entrés
. sorties
.
Modulation

Modulation

Figure (VI-4): Egaliseur D-BLAST

Son principe est le suivant : pour le premier bloc à l’intervalle de temps T, la couche n
est émise par l’antenne n. On note que la taille de bloc T peut être inférieur à T=1. Dans le
deuxième bloc, la couche n est émise par l’antenne (n+1), pour n=1,2,…,N-1, tandis que la
couche N est émise par la première antenne. Le décalage cyclique continue après chaque bloc
de T intervalle de temps [42]. Le Tableau VI-1 montre la transmission diagonale des
différentes couches grâce au décalage cyclique pour un system de N=4 antennes d’émission.
Dans ce tableau nous remarquons que dans le premier bloc d’intervalle de temps T, nous

59
avons envoyés seulement la couche 1 pour la première antenne. Pour le deuxième bloc, la
couche 1 et 4 sont émises par la seconde et la première antenne respectivement. C’est le
décalage cyclique qui rend la transmission de la couche 1 est effectuée par la deuxième
antenne au lieu de la première antenne pour le deuxième bloc. Il est à noter que durant les N-1
=3 blocs, nous ne devons pas envoyer aucune donnée pour simplifier le décodage [42]. Ceci
est appelé l’effet limite qui à pour résultat de réduire du débit.
Antenne 1 Antenne 2 Antenne 3 Antenne 4

Bloc 1 Couche 1

Bloc 2 Couche 4 Couche 1

Bloc 3 Couche 3 Couche 4 Couche 1

Bloc 4 Couche 2 Couche 3 Couche 4 Couche 1

Bloc 5 Couche 1 Couche 2 Couche 3 Couche 4

Bloc 6 Couche 4 Couche 1 Couche 2 Couche 3

Bloc 7 Couche 3 Couche 4 Couche 1 Couche 2

Bloc 8 Couche 2 Couche 3 Couche 4 Couche 1

. . . . .
. . . . .
. . . . .
Bloc T-2
Couche 2 Couche 3 Couche 4
Bloc T-1
Couche 2 Couche 3
Bloc T
Couche 2

Tableau (VI-1): Répartition des couches dans D-BLAST (NT=4)

60
 Supposant que le trajet d’une antenne est subit d’un fort évanouissement. Dans ce cas
sans décalage cyclique, tous les symboles de la couche correspondante seront affectés. Tandis
que, avec le décalage cyclique, seulement une sortie de N blocs de chaque couche est affectée
par l’évanouissement.
Le bon fonctionnement de ce type de transmission nécessite l’existence de NT modes
propres, rang (H)= NT, impliquant nécessairement un nombre d’antenne de réception
supérieur ou égale au nombre d’antenne d’émission. Lorsque l’interaction du signal avec
l’environnement n’est plus suffisamment riche ou que l’espacement inter-éléments au sein des
réseaux est trop faible, la structure de la matrice du canal H devient déficiente et l’opération
d’annulation d’interférence échoue à séparer les signaux, entraînant l’apparition d’erreur [18].
La complexité du récepteur D-BLAST, due à l’entrelacement diagonale en temps et en
espace, nécessite l’implantation d’algorithmes de détection performants tels que le décodage
par sphère.
L’architecture de l’égaliseur D-BLAST est similaire de celle de l’égaliseur V-BLAST,
même s’il s’agit d’un décalage cyclique qui augmente la complexité [42].
Pour égaliser un symbole et avoir une meilleure estimation du symbole, deux principales
étapes sont mise en place: la nullité d’interférence et l’annulation d’interférence. Les couches
sont détectées successivement suivant la structure diagonale de l’émetteur. Supposant qu’on a
4 antennes comme le montre le tableau VI-1. Tout d’abord, on doit détecter le signal le plus
puissant pour décoder les symboles de la couche 1 durant les quatre premiers blocs. Une fois,
nous envoyons seulement la couche 1 durant le premier bloc, il n’aura pas d’interférence.
Durant le seconde bloc pour la couche 1, il y’a d’interférence de la couche 4. Considérons que
l’interférence de la couche 4 est accompagnée d’un bruit, le récepteur utilise le critère ZF ou
MMSE pour supprimer ses effets aux symboles dans la couche 1. De la même manière, les
interférences des couches 3 et 4 sur la couche 1 sont nulles durant le troisième bloc.
Finalement, durant le quatrième bloc, l’interférence des couches 2,3 et 4 sont supprimées de la
couche 1. On appel le traitement de ce premier diagonal: la détection ou l’égalisation de la
couche 1. Les symboles égalisés de la couche 1 sont utilisés pour annuler ses interférences
sur les couches non détectés.
Après l’annulation de l’interférence de la couche égalisée 1, une méthode identique est
appliquée pour détecter la couche 4 dans le deuxième diagonal en commençant du bloc 2.
Une combinaison d’annulation et de suppression d’interférence est appliquée pour chaque
diagonal pour détecter toutes les couches. Les étapes de l’annulation et la suppression de

61
l’interférence sont similaires à celles du V-BLAST, seulement il n’y a pas d’ordonnancement
dans D-BLAST [42].
D-BLAST suppose le même débit que V-BLAST. Cependant les performances en taux
d’erreur sont nécessairement plus bonnes du fait V-BLAST n’exploite pas la dimension
temporelle du canal [18].

Figure (VI-5): Décodage V-BLAST et D-BLAST pour NT=4

IV-4 Conclusion :
Ce chapitre a traité les types d’égaliseurs dans les systèmes MIMO. Comme dans le
cas des canaux SISO, les canaux MIMO nécessite une égalisation pour rétablir le message
émis de la source vers le récepteur et qu’est affecté par les interférences entre symboles.
Plusieurs égaliseurs sont mise en place. Les égaliseurs classiques décrivent les
égaliseurs linéaires (à savoir les égaliseurs ZF et les égaliseurs MMSE), et les égaliseurs non
linéaires comme le égaliseur à maximum de vraisemblance.
Les égaliseurs V-BLAST sont des récepteurs adaptés aux systèmes MIMO. Ils
exploitent la dimension spatiale pour supprimer les IES. Le D-BLAST c’est un autre
égaliseur développé sur la base de V-BLAST, il utilise le décalage des symboles ce qui
augmente la complexité mais aussi améliore sa performance.

62
 Dans le chapitre suivant, on va concrétiser ce qu’on a parlé en faisant la simulation des
différents traitements d’égalisation pour les canaux SISO et MIMO. On va faire la
comparaison des différents égaliseurs dans le même système et la comparaison de même
égaliseur pour les deux types des canaux.

CHAPITRE V:
Simulations et Résultats

D ans ce chapitre, nous discutons les simulations et analysons les résultats en comparant
les performances de chaque égaliseur que nous avons présenté soit pour les systèmes
SISO ou les systèmes MIMO. Les comparaisons vont s’effectuer en terme du taux d’erreur
binaire en fonction du rapport signal sur bruit.
Pou cette simulation, on a utilisé deux langages de programmation : Matlab 7.5 et Microsoft
Visual C++ 6.0 avec un PC Pentium(R) Dual CPU T2370 @1.73Ghz de 2,00 Go de Mémoire
vive. La trame du signal simulé est d’une taille de 100000 bits
V-1 Canaux SISO :
Pour cette simulation, on supposera dans ce qui suit, que :
- la séquence des symboles sn est stationnaire, centrée et blanche
- le bruit b(n) est centré, indépendant, des symboles sn, et blanc.
- La réponse du canal est causale.
Afin d’illustrer les performances et la mise en oeuvre des algorithmes d’égalisation,
nous utilisons les trois canaux test de Proakis [3]. Le canal (a) est assez facile, le canal (b)

63
moyennement sélectif et le canal (c) très sélectif. Le tableau suivant fournie les réponses
impulsionnelles :
Canal (a) 0.04 -0.05 0.07 -0.21 -0.5 0.72 0.36 0 0.21 0.03 0.07
Canal (b) 0.407 0.815 0.407 0 0 0 0 0 0 0 0
Canal (c) 0.227 0.46 0.688 0.460 0.227 0 0 0 0 0 0

Tableau (V-1): Réponses impulsionnelles des trois canaux de Proakis

Canal de Proakis (a) :

Le canal (a) est un canal de bonne qualité. Les atténuations sont très faibles puisque
les zéros ne sont pas proches au cercle de l’unité (figure V-2)

Réponse impulsionnelle du canal proakis (a)

0.8

0.6

0.4

0.2
amplitude

-0.2

-0.4

-0.6
1 2 3 4 5 6 7 8 9 10 11
nombre de coefficients

Figure (V-1) : Réponse impulsionnelle du canal Proakis (a)

64
 2

1.5

0.5
partie imaginaire

10
0

-0.5

-1

-1.5

-2

-2 -1 0 1 2 3
partie reelle

Figure (V-2) : pôles (x) et zéros (o) du canal Proakis (a)

Canal de Proakis (b) :

Le canal (b) est un canal est caractérisé par un fort affaiblissement puisque les deux
zéros sont proches du cercle de l’unité avec une partie imaginaire nulle.

Réponse impulsionnelle du canal proakis (b)

0.9

0.8

0.7

0.6

0.5
amplitude

0.4

0.3

0.2

0.1

0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
nombre de coefficients

65
 Figure (V-3) : Réponse impulsionnelle du canal Proakis (b)

0.8

0.6

0.4

0.2
partie imaginaire

2
0

-0.2

-0.4

-0.6

-0.8

-1

-1 -0.5 0 0.5 1
partie réelle

Figure (V-4) : pôles (x) et zéros (o) du canal Proakis (b)

Canal de Proakis (c) :

Réponse impulsionnelle du canal proakis (c)

0.7

0.6

0.5

0.4
amplitude

0.3

0.2

0.1

0
1 1.5 2 2.5 3 3.5 4 4.5 5
nombre de coefficients

66
 Figure (V-5) : Réponse impulsionnelle du canal Proakis (c)

0.8

0.6

0.4

0.2
partie imaginaire

4
0

-0.2

-0.4

-0.6

-0.8

-1

-1 -0.5 0 0.5 1
partie réelle

Figure (V-6) : pôles (x) et zéros (o) du canal Proakis (b)

Le canal Proakis C est plus sélectif en fréquence que le canal (b) avec une forte
atténuation à une bande étroite de fréquence du canal qui se traduise par le fait que le canal
possède quatre zéros, dont deux sont à l’intérieur au cercle unité et l’autre à l’extérieur, les
zéros sont proches au cercle d’unité avec une partie imaginaire non nulle.

67
Visualisation du signal en amont et en aval du canal

-1
0 5 10 15 20 25 30 35 40 45 50
5
RSB=0dB

-5
0 5 10 15 20 25 30 35 40 45 50
5
RSB=10dB

-5
0 5 10 15 20 25 30 35 40 45 50
2
RSB=20dB

-2
0 5 10 15 20 25 30 35 40 45 50

Figure (V-7): Signal BPSK à la sortie du canal Proakis A

68
1

-1
0 5 10 15 20 25 30 35 40 45 50
2
RSB=0dB
0

-2

-4
0 5 10 15 20 25 30 35 40 45 50
2
RSB=10dB
0

-2

-4
0 5 10 15 20 25 30 35 40 45 50
2
RSB=20dB

-2
0 5 10 15 20 25 30 35 40 45 50

Figure (V-8): Signal BPSK à la sortie du canal Proakis B

69
 1

-1
0 5 10 15 20 25 30 35 40 45 50
5
RSB=0dB

-5
0 5 10 15 20 25 30 35 40 45 50
4
RSB=10dB
2

-2
0 5 10 15 20 25 30 35 40 45 50
2
RSB=20dB

-2
0 5 10 15 20 25 30 35 40 45 50

Figure (V-9): Signal BPSK à la sortie du canal Proakis C

Le signal sortant serait alors plus déformé lorsque le canal devient sélectif en
fréquence.

Exemple d’influence des IES sur une image par un canal (a), (b) et (c) respectivement:

70
 Image Origine

L’image après transmission par un canal (a)

Pour bien montrer l’effet des IES, une simulation de transmission d’une image via les
canaux de Proakis est effectuée. On observe bien l’effet des IES dans la photo ci-dessus,
l’image est affectée par l’évanouissement engendré par le canal de Proakis A, et devenue
moyennement visible ce qui nécessite un traitement de signa pour égaliser l’image.

71
 L’image après transmission par un canal (b)

L’image après transmission par un canal (c)

La qualité de l’image transmise dans un canal de Proakis B montre que ce type des
canaux est caractérisé par un évanouissement fort. Dans le troisième cas, l’image n’est plus
visible ce qui donne une interprétation visible sur le type de canal C (canal très sélectif en
fréquence et généré une forte atténuation). Ces canaux sont relativement difficiles à égaliser.

72
 V-1-1 Egaliseur ZF :

0
Performance de l"Egaliseur ZF
10
canal(a)
canal(b)
canal(c)

-1
10
TEB

-2
10

-3
10

-4
10
0 5 10 15 20 25 30 35 40
RSB

Figure (V-10): Performance de L’égaliseur de Forçage à zéro

Comme on remarque sur la figure (V-10), le canal C reste le moins performant, le taux
d’erreur s’améliore très lentement ne dépassant pas 10-1 pour un RSB de 25dB. Le canal B
est moins sélectif par rapport au celui B, il est donc plus performant. Le canal A reste le plus
fiable puisqu’il présente un TEB relativement amélioré ; ce dernier augmente
proportionnellement avec le RSB jusqu'à 15dB où il s’annule.
Les IES ne peuvent être supprimés complètement dans les canaux sélectifs sachant
que son principe qu’est basé sur l’inversement de réponse impulsionnelle du canal entraîne
à une amplification du bruit pour les hautes fréquences.

V-1-2 Egaliseur basé sur l’erreur quadratique moyenne (EQM)

73
 0
Performance de l"Egaliseur MMSE
10
canal(a)
canal(b)
canal(c)

-1
10

-2
10
TEB

-3
10

-4
10

-5
10
0 5 10 15 20 25 30 35 40
RSB

Figure (V-11): Performance de L’égaliseur de MMSE

Contrairement à l’égaliseur ZF, le MMSE prend en considération la notion du bruit.

On constate bien la différence entre les canaux pour les deux égaliseurs notamment ou le RSB
commence à s’élever et même lorsque la sélectivité devient sévère (canal C). Il est à rappeler
que l’égaliseur MMSE utilise une séquence d’apprentissage pour calculer les coefficients de
filtre ce qui limite le débit des données à transmettre.

V-1-3 Egaliseur des moindres carrées moyens (LMS)

74
 1
Performance de l'égaliseur LMS
10
canal A
canal B
canal C

0
10
BER

-1
10

-2
10

-3
10
0 5 10 15 20 25
Eb/N0 (dB)
RSB (dB)

Figure (V.12): Performance de L’égaliseur LMS

Cet égaliseur est très efficace lorsqu’il s’agit d’un canal variante dans le temps ou
inconnue mais sa performance comme le montre la figure ci-dessus est faible, le TEB ne
dépasse pas 10-3 même avec le canal. Sa convergence en mode supervisé n’est pas toujours
assurée et l’efficacité reste limitée si le canal subit des variations brutales.

V-1-4 Egaliseur de Maximum de vraisemblance (Viterbi) :

75
 0
Performance de l"Egaliseur MMSE
10
canal(a)
canal(b)
canal(c)

-1
10
TEB

-2
10

-3
10

-4
10
0 5 10 15 20 25
RSB

Figure (V-13) : Performance de L’égaliseur de Maximum de vraisemblance

Comme l’on a expliqué dans le quatrième chapitre, l’égaliseur MLSE basé sur
l’algorithme de Viterbi reste l’égaliseur les plus fiable « optimal ». La figure (V-13) nous
montre que le TEB est le meilleur par rapport aux autres égaliseurs mentionnés auparavant.
L’inconvénient de ce type d’égaliseur réside dans sa complexité qui limite son utilisation ainsi
que son optimalité est n’est pas assuré que si le bruit est blanc et gaussien.
D’après les quatre dernières figures, on déduire que les canaux de Proakis A ont été
bien égalisés vu que ces canaux ne présentent pas de fortes IES, le TEB ne cesse de
s’augmenter en jouant sur le rapport RSB et de type de l’égaliseur. Pour ces canaux, un
simple égaliseur comme le ZF est suffisant pour éliminer les interférences.
Pour les canaux B, les résultats sont nettement moins bons que le canal A pour tous
les types d’égaliseurs. Ceci est du à la sévérité des interférences que présente le canal B par
rapport au celui A.
Les canaux de Proakis C n’ont pas été bien égalisés pour les égaliseurs ZF et MMSE,
ceci vient du fait que ce type des canaux présente des IES très sévères. Un égaliseur fiable
comme celui de Viterbi est très approprié pour ces canaux.

76
V-2 Canaux MIMO :

Dans cette partie, Nous discutons et traitons les résultats obtenus lors de la simulation
de différentes réalisations liées aux antennes MIMO. Après avoir rapidement montrer
l’influence du nombre d’antennes aux extrémités du système MIMO sur la capacité ainsi que
les techniques de beamforming et MRC, nous passons directement à l’égalisation dans les
systèmes MIMO en jouant sur le type d’égaliseur et le nombre d’antennes.
Nous proposons dans ce chapitre d'étudier les performances théoriques des systèmes
MIMO, en utilisant la modulation QPSK dans un canal de Rayleigh sous l'hypothèse de
parfaite connaissance du canal à l'émission et à la réception (CSI) donc aucun module
d’estimation du canal n’a été implémenté, les données transmises sont des données générées
aléatoirement et modulés en QPSK. Elles ne subissent pas de codage source ou canal. L’effet
Doppler n’est pas pris en compte dans la modélisation du canal et le bruit additif est considéré
blanc gaussien (BBGA).
Dans cette partie nous allons utiliser le canal de Rayleigh qui s’adapte avec tels types
de transmission ou le signal peut se faire par l’intermédiaire de plusieurs trajets c'est-à-dire le
milieu de propagation est riche en diffuseurs. Ce canal est alors sélectif en fréquence et non
stationnaire. Les trajets multiples sont généralement affectés par des bruits multiplicatifs
complexes dont le module suit une loi de Rayleigh. En pratique on utilise ce canal dans une
transmission radio électrique sans vue directe entre l’émetteur et le récepteur.
V-2-1 Capacité :

77
 Capacité en fonction du nombre d'antennes
25
Capacité de Shannon
SISO
MIMO(NT=NR=2)
MIMO(NT=NR=3)
Capacité (bit/s/Hz) 20 MIMO(NT=NR=4)

15

10

0
2 4 6 8 10 12 14 16 18 20
SNR(dB)
RSB (dB)

Figure (V.14): Capacité en fonction du nombres d’antennes

La figure V-14 donne une image claire sur l’influence du nombre des antennes MIMO
sur la capacité. Cette dernière qui est représenté dans l’équation III-13 augmente
proportionnellement avec le nombre d’antenne. On remarque que pour un RSB égale à 10dB,
la capacité vaut 3bit/s/Hz alors elle dépasse 6bit/s/Hz pour deux antennes et 11bit/s/Hz pour
quatre antennes.

V-2-2 MRC :

78
 perofrmance MIMO avec MRC
16

14

12

10
SNR

0
2 4 6 8 10 12 14 16 18 20
nombre d'antennes receptrices

Figure (V.15): représentation de la performance MIMO avec MRC

V-2-3 code d’Alamouti :

79
 codage d'Alamouti

SISO
MRC(nTx=1, nRx=2)
-1
Alamouti(nTx=2, nRx=1)
10

-2
10
BER

-3
10

-4
10

-5
10
0 5 10 15 20 25
SNR
RSB (dB)

Figure (V.16): MIMO avec codage d’Alamouti

Comme on le remarque dans la figure V-17 l’efficacité est maximum avec un codage
spatio-temporel (code d’Alamouti). L’avantage de ce type de codage réside dans son
simplicité avec moins d’erreurs: TEB>10-5 pour un RSB=25dB.
L’objectif de ce type de codage est la diversité pure et la minimisation des erreurs, et il
n’est pas question ici d’augmentation du débit de données.

V-2-4 Beamforming :

80
 performance MIMO avec et sans breamforming

SISO
sans beamforming (2Ntx-1Nrx)
-1
avec beamforming (2Ntx-1Nrx)
10

-2
10
BER

-3
10

-4
10

-5
10
0 5 10 15 20 25 30 35
SNR
RSB (dB)

Figure (V.17): comparaison MIMO avec et sans beamforming

La technique de Beamforming à pour rôle d’optimiser la liaison émission - réception

en répartissant les puissances sur les antennes d’émission de manière à obtenir le maximum
d’énergie par symbole émis. Pour cela les mêmes symboles sont émis sur les différentes
antennes d’émission [6]. La figure V-17 montre la différence d’un système sans et avec la
technique de Beamforming.
V-2-5 performance d’égaliseurs suivant le nombre d’antennes :
Afin de monter l’influence de la transmission multi-antennaire sur l’égalisation, on
prend chaque égaliseur et on traite ses performances pour trois cas :le premier cas : un canal
d’une seul antenne émettrice et une antenne réceptrice, le deuxième cas pour deux antennes
dans chaque extrémité et le troisième cas pour quatre antennes.
V-2-5-1 l’égaliseur ZF :

81
 0
Performance de l'égaliseur ZF SISO,2x2 et 4x4 MIMO avec modulation BPSK
10
SISO
nTx=2, nRx=2
nTx=4, nRx=4

-1
10

-2
10
BER

-3
10

-4
10

-5
10
0 5 10 15 20 25
Eb/N0 (dB)
RSB (dB)

Figure (V.18): représentation de la performance de l’égaliseur ZF MIMO

La figure V-18 montre les performances de l’égaliseur ZF, ce type d’égaliseurs est
toujours utilisé dans les cas ou le bruit n’est pas pris en considération puisque son principe est
d’inverser le canal ce qui augmente le bruit. Les systèmes MIMO améliorent l’efficacité de ce
type d’égaliseurs. La différence est claire entre un canal mono antenne et un canal multi
antennes. Le TEB qui ne dépasse pas 10-3 pour un RSB de 25dB, va dépasser un taux environs
de 10-4 pour le même RSB dans un canal de quatre antennes.
V-2-5-2 l’égaliseur MMSE :

82
 0
Performance de l'égaliseur MMSE SISO,2x2 et 4x4 MIMO
10
SISO
nTx=2, nRx=2
nTx=4, nRx=4

-1
10

-2
10
BER

-3
10

-4
10

-5
10
0 5 10 15 20 25
Eb/N0 (dB)
RSB (dB)

Figure (V.19): représentation de la performance de l’égaliseur MMSE MIMO

La figure V-19 nous montre les performances de l’égaliseur MMSE, il ne diffère pas
de celui ZF pour des RSB faible puisque le bruit reste moins fort pour perturber le signal.
Mais son efficacité s’apparaître pour les RSB élevés. Pour un nombre d’antenne égale à deux,
le TEB enregistré pour les différents RSB montre l’importance des systèmes MIMO dans tels
traitements.

V-2-5-3 l’égaliseur ML :

83
 0
Performance de l'égaliseur ML SISO,2x2 et 4x4 MIMO
10
SISO
nTx=2, nRx=2
-1 nTx=4, nRx=4
10

-2
10

-3
10
BER

-4
10

-5
10

-6
10

-7
10
0 5 10 15 20 25
Eb/N0 (dB)
RSB (dB)

Figure (V.20): représentation de la performance de l’égaliseur ML MIMO

Les résultats mentionnés dans figure ci-dessus montre que ce récepteur ML donne les
meilleures performances en terme de taux d’erreur. La comparaison de cet égaliseur avec les
autres donne une image bien claire sur sa fiabilité. Avec un système de deux antennes et pour
un RSB égale à 20dB le TEB atteint 10-5 alors qu’il ne dépasse pas 10-4 pour l’égaliseur
MMSE et ZF. Parmi les inconvénients de ce type d’égaliseurs sa complexité et le temps de
calcul qui croît exponentiellement avec le nombre d’antennes émettrices.

V-2-5-3 l’égaliseur VBLAST :

84
 Comparaison entre les différents égaliseurs pour 2x2 antennes MIMO

VBLAST ZF
VBLAST MMSE
-1
ML
10

-2
10
TEB

-3
10

-4
10

-5
10
0 5 10 15 20 25
RSB (dB)

Figure (V.21): Performance des différents égaliseur VBLAST

En comparant les performances de la figure V-21 et celles des égaliseurs ZF et
MMSE, on constate une légère différence en terme de taux d’erreurs bit (TEB relativement
amélioré). Comme l’on a détaillé dans le chapitre quatre, ce récepteur peut utiliser soit le
critère du forçage à zéro, soit le critère du MMSE. Ce type égaliseur à retour de décision
appelé aussi le récepteur à OSIC couramment employé n’obtient pas de très bons résultats.

V-3 Conclusion :

Dans ce chapitre on a comparé les différents algorithmes de réception utilisés dans un

canal sélectif en fréquence. Selon le type de canal utilisé (SISO ou MIMO), on a donner les
performances de chaque égaliseur. Le récepteur ZF reste le plus facile, il donne des résultats
non satisfaisants. Le MMSE se distingue de celui ZF dans les RSB élevés puisque le bruit est
pris en considération. Les canaux à faible diversité spatiale (une antenne) sont difficiles et les
TEB obtenus sont moins bons qu’avec les canaux qui présentent plusieurs antennes (quatre

85
antennes). Les performances du récepteur VBLAST, généralement suffisantes, sont plus bons
que celles des égaliseurs ZF et MMSE mais se dégradent fortement suivant le RSB.
Le récepteur basé sur le maximum de vraisemblance reste le plus performant. Les
performances en terme de TEB sont proches de l’optimal.

86
Conclusion

L ’égalisation est une techniques tés importante à travers laquelle on peut affronter les
interférences entre symboles qui constitue l’un des principaux problèmes crées lors
d’une transmission d’un signal dans un canal.

La réalisation d'un système de télécommunication de nouvelle génération de type

MIMO a un coût élevé. Bien avant la conception physique, il faut être capable de prévoir le
comportement des systèmes en terme de performances du taux d'erreur binaire (TEB) pour
choisir le meilleur. L'architecture du MIMO donne la possibilité de répartir le nombre
d'antennes entre l'émetteur et le récepteur. Dans le chapitre précédent nous avons vu qu'il était
possible d'exprimer les performances en terme de probabilité d'erreur d'un système SISO.

Dans cette thèses l’égalisation dans deux types des canaux ont été traité : les canaux
SISO et les canaux MIMO. Les techniques MIMO depuis son découverts par J.Winters en
1984, connaissante un développement très rapide notamment les techniques d’égalisation à
savoir les techniques V-BLAST et les techniques D-BLAST.

Les égaliseurs suivant le critère de maximum de vraisemblance reste les plus

performants mais ses complexités limitent l’utilisation de tels types d’égaliseurs.

Dans cette thèse on à décrire les égaliseurs zero-forcing qui sont les plus simples
puisqu’il s’agit d’une inversion du canal. Ces égaliseurs souffres lorsque le bruit commence
de s’augmenter. Les égaliseurs suivant le critères de minimisation de l’erreur quadratique
présente la même fonction que celui zero-forcing mais il prend le bruit en considération. Les
égaliseurs adaptatifs donnent des bons résultats lorsque le canal est variant dans le temps.

87
 Les égaliseurs D-BLAST et V-BLSAT qui sont utilisés dans les canaux MIMO montre
que ces canaux sont plus avantageux que les SISO, puisqu’ils exploitent la dimension
spatiale.

Il nous reste des perspectives de recherche. Voici une liste non exhaustive de
recherches intéressantes sur les techniques pour combattre les IES :

La combinaison entre les turbo-codes et l’égalisation « la turbo-égalisation » ;

Associer d’autres techniques à l’égalisation tel que l’OFDM, CDMA…;

Etudier d’un autre types d’égalisation (Egalisation Aveugle).

88
 BIBLIOGRAPHIE

[1] PROAKIS Digital communications

[2] MAURICE. C : "Système de communication et théorie de l’information" Hermes Science

[3] Collectif d’auteurs "Radiocommunication numérique T1" – DUNOD Edition

[4] HWEI.H : "Signaux et communications" – Séries de Shaum : Ediscience

[5] JEAN.M B"Signal et Communication numérique : Egalisation et synchronisation"

Hermes Science

[6] VICENT L.N « Étude et optimisation des systèmes multi-antennes associés à des
modulations multiporteuses » Thèse de doctorat. Novembre 2004. L’institue national des
sciences appliquées de Rennes

[7] Wireless communications principales and pratice

[8] J. PROAKIS mobile communications handbook Ed. Suthan S. Suthersan -

Boca Raton CRC Press LLC, 1999

[9] CHARLOTTE. L « Etude et amélioration d’une technique de réception numérique

itérative : Turbo-égalisation » Thèse de doctorat. Novembre 2002. L’institue national des
sciences appliquées de Rennes

[10] G. D. FORNEY, Jr. "The Viterbi algorithm". Proc. IEEE, Vol. 61 N° 03, pp., March
1973

[11] LUKY 1965 (Page 607 PROAKIS)

[12] CARL. N. Télécommunications demystified: A streamline course in digital

communications (and some anlog) for EE students an praticing engineers.

[13] J.C Bic/D. Duponteil/ J.C. Imbeaux "Eléments de communication numériques- Tome
I"

[14] CHRISTOF. L "Egalisation autodidacte et la turbo-égalisation. Application aux canaux

sélectifs en fréquence" Thèse de doctorat. Juillet 1997. L’université de RENNES 1

[15] OLIVIER. F "Augmentation du débit des liaisons radio hautes fréquences" Thèse de
doctorat. Janvier 2005. L’institue national Polytechniques de Toulouse

[16] Télécommunication Breakdown : Concepts of communication transmitted via software-

defined radio

89
[17] OLIVIER.B "Optimisation et stratégies d’allocation de puissance des systèmes de
transmission multi-antennes" Thèse de doctorat. Septembre 2002. L’université de Bretagne
occidentale

[18] PHILIOOE.G / GHAÏS.E.Z "Les techniques multi-antennes pour les réseaux sans fil"

[19] JONATHAN. L "Performances théoriques de systèmes MIMO pré-égalisés et

applications avec un simulateur de propagation 3D". Thèse de doctorat. Novembre 2005.
L’université de Bretagne occidentale

[20] Principles of mobile communication

[21] A.GLAVIEUX/ M.JOINDOT: Communication numérique: Introduction MASSON

[22] LUDOVIC. C "Optimisation de systèmes multi-antennes basée sur la distance

minimale" Thèse de doctorat. Décembre 2002. L’université de Bretagne occidentale

[23] KAI.Y "Modeling of multiple-Input Multiple-Output Radio Propagation Channels"

[24] F.PÉREZ / P.MARIÑO "Modeling the Wireless Propagation Channel

[25] GEORGE.T "MIMO System Technology For Wireless communications"

[26] G.J. FOSHINI "Layered Space-Time Architecture for Wireless communication in a

Fading Environment When Using Multi-Element Antennas", Bell Labs Technical Journal,
Vol.1, N°2, Autumn 1996, pp.41-59

[27] J-F PARDONCHE "Systèmes de transmission sans fil multi-émetteurs, multi-récepteurs

pour des applications transports. Etude des modèles de canal de propagation. " Thèse de
doctorat. Février 2004. L’université des sciences et des technologies de Lille.

[28] N. GRESSET "Nouvelles techniques de codage spatio-temporel avec des modulations

codées à bits entrelacés" Thèse de doctorat. Décembre 2004. Ecole Nationale Supérieure des
Télécommunications

[29] FRANCO. D. F / LUIS .J/ JORDI. R/ ALFRED. G "Multi-Antenna Systems for

MIMO Communications"

[30] S. M. ALAMOUTI "A simple diversity technique for wireless communications". IEEE
Journal on Selected Areas in Communications, 16(8):1451–1458, October 1998.

[31] V. TAROKH/ H. JAFARKHANI/ and A. R. CALDERBANK. "Space-time block

codes from orthogonal designs. IEEE Transactions on Information Theory", 45(5):1456–
1467, July 1999.
[32] MOHINDER.J "Space-Time Codes and MIMO Systems"

90
[33] SOPHIE. V "Recherche des caractéristiques optimales d’antennes multi-capteurs pour
les systèmes MIMO" Thèse de doctorat. Juillet 2007. Université de Provence- Ecole
Doctorale Physique et Sciences de la Matière.

[34] G.J. FOSCHINI, and M.J. GANS, "On limit of wireless communications in a fading
environment when using multiple antennas", Wireless Personal Communications, vol.6,
pp.331-335, 1998

[35] P. GUGUEN, "Techniques multi-antennes émission-réception- Application aux réseaux

domestiques sans fil", Thèse soutenue ) INSA de Rennes, 2003

[36] VOLKER.K "Wireless Communications over MIMO Channels- Applications to CDMA

and multiple Antenna Systems"

[37] A. GOLDSMITH, S.A. JAFAR, N. JINDAL, S. VISHWANATH, "Capacity limits of

MIMO channels", IEEE Journal on Selected Areas in Communications, vol.21, N°5, June
2003

[38] A. MEDLES, S.VISURI, D.T.M. SLOCK, "On MIMO Capacity with partial channel
knowledge at the Transmitter", IEEE, 2002

[39] Y. HUANG, J.BENESTY, J.CHEN, "Acoustic MIMO Signal Processing"

[40] G. D. GOLDEN, C. J. FOSCHINI, R. A. VALENZUELA, and P. W. WOLNIANSKY.

"Detection algorithm and initial laboratory results using V-BLAST space-time communication
architecture". In Electronic Letters, volume 35, pages 14–15, January 1999.

[41] P. W. WOLNIANSKY, G. J. FOSCHINI, G. D. GOLDEN, and R. A. VALENZUELA. "

V-BLAST: An architecture for realizing very high data rates over the rich-scattering wireless
channel". In Proceedings of the URSI International Symposium on Signal, Systems and Electronics
(ISSSE), pages 295–300, Pisa, Italy, September 29 - October 2 1998.

[42] HAMID.JAFARKHANI "Space Time Coding. Theory and Pratice"

91