Memoire

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Université des Sciences et de la Technologie Houari Boumediene
USTHB - ALGER
Faculté Génie Electrique
Département Télécommunication
THÉSE DE DOCTORAT EN SCIENCES

Présentée pour l’obtention du grade de Docteur
Spécialité : Télécommunication
Présenté par
NASRALLAH Abdelhak
ROBUST SEQUENTIAL DETECTION IN

COGNITIVE RADIO
Soutenue publiquement le 11/07 / 2022 devant le Jury composé de :
MR. A.AMROUCHE Professeur à USTHB/FGE Président

MR. A.HAMZA Professeur à USTHB/FGE Directeur de thèse
MR. A.GASSOUM Professeur à USD.BLIDA Examinateur
MR. M.BENSSALAH Maitre de Conférences classe /A à EMP.ALGER Examinateur
MR. K.MAZIGHI Maitre de Conférences classe /A à USTHB/FGE Examinateur
MR. T.BOUKABA Maitre de Conférences classe /A à ESTA.ALGER Invité
REMERCIEMENTS
Ce travail s’inscrit dans le cadre d’une thèse de doctorat en science. Il a été effectué au sein
du Laboratoire Ingnierie des Systmes Intelligents et Communicants (LISIC) de la Faculté
Génie Electrique, Université des Sciences et de la Technologie Houari Boumediene.
Je remercie Dieu pour m’avoir donné le courage et la force pour terminer ce travail. Ces
travaux de recherche ont été effectués sous la direction du Professeur HAMZA Abdelkrim.
Je tiens à lui exprimer toute ma gratitude pour m’avoir accueilli au sein de son équipes,
pour son encadrement de qualité et pour m’avoir accordé sa confiance. Je les remercie
également pour avoir toujours été disponible, pour m’avoir guidée tout en me laissant
libre dans mes choix et pour son soutien scientifique et moral.
Je tiens à remercier, Mr. AMROUCHE Abdelrahman Professeur à l’université de Houari
Boumediene, de m’avoir fait l’honneur et le plaisir d’accepter de présider le jury de sou-
tenance.
J’adresse mes profonds remerciements à Messieurs A. GASSOUM Professeur à l’Univer-
sité de Blida, Mr M.FEZARI Professeur à l’Université de Annaba, Mme. T.MEKSSEN
Professeur à Université de USTHB, Mr M.BENSSALAH Professeur à EMP et Mr BOU-
KABA Toufik de L’école supérieure des techniques avioniques pour avoir évalué mon
travail de thèse et pour d’avoir accepté de l’examiner.
Je tiens à remercier tous les membres du laboratoire LISIC, et à leur tête son directeur, le
Professeur FERGANI Belkacem pour leur aide durant toutes les analyses effectuées dans
ce laboratoire.
Sur un plan plus personnel, je voudrais remercier l’ensemble de ma famille de m’avoir
constamment encouragé et aidé à franchir les obstacles surtout pendant les moments de
doute. Que mes parents et ma femme, qui seront les seuls désignés par pudeur, y trouvent
une pensée pleine d’affection. Les mots sont insuffisants pour exprimer combien je leur suis
reconnaissant, Merci est bien trop faible pour témoigner votre impact sur l’aboutissement
ii
de cette thèse.
Que tous mes proches (qui ne seront encore là non plus pas désignés, mais ils/elles se re-
connaitront j’en suis sûr), reçoivent toute mon affection pour être restés toujours présents
pendant cette période de vie en ermite.
Merci à mes collègues pour leurs aides, je pense notamment à Khadar Brahim, Bouzidi,
Amine, Yassin, Azzdine, Mohaned Moukran, Hamza, sofiane ... et autres.
iii
Table des matières
Abréviations viii
Resume 1
INTRODUCTION GENERALE 2
I Généralité sur la radio cognitive 7

I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.2 Généralité sur la Radio logicielle (software radio) . . . . . . . . . . . . . . 8
I.3 Relation entre radio logiciel et radio cognitive . . . . . . . . . . . . . . . . 9
I.4 Définition de la radio cognitive (RC) . . . . . . . . . . . . . . . . . . . . . 10
I.5 Structure de la radio cognitive . . . . . . . . . . . . . . . . . . . . . . . . . 11
I.6 Les composantes de la radio cognitive . . . . . . . . . . . . . . . . . . . . 12
I.7 Fonctions de la radio cognitive . . . . . . . . . . . . . . . . . . . . . . . . 13
I.7.1 Détection du spectre (Spectrum sensing) : . . . . . . . . . . . . . . 13
I.7.2 Gestion du spectre (Spectrum management) : . . . . . . . . . . . . 14
I.7.3 Mobilité du spectre (Spectrum mobility) : . . . . . . . . . . . . . . 14
I.7.4 Partage du spectre (Spectrum sharing) : . . . . . . . . . . . . . . . 15
I.8 Cycle cognitif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
I.9 Les modèles d’accès dynamique au spectre . . . . . . . . . . . . . . . . . . 16
I.9.1 Modèle d’accès exclusif . . . . . . . . . . . . . . . . . . . . . . . . . 17
I.9.2 Modèle d’accès hiérarchique . . . . . . . . . . . . . . . . . . . . . . 17
I.9.3 Modèle d’accès libre . . . . . . . . . . . . . . . . . . . . . . . . . . 18
I.10 Standards existant pour la radio cognitive . . . . . . . . . . . . . . . . . . 18
I.10.1 La norme IEEE 802.22 . . . . . . . . . . . . . . . . . . . . . . . . . 18
I.11 Domaines d’applications de la radio cognitive . . . . . . . . . . . . . . . . 19
iv
I.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
II Etat de l’art sur les techniques de détection de spectre 21

II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
II.2 Défis et obstacles de la détection de spectrale . . . . . . . . . . . . . . . . 22
II.3 Paramètres de la détection spectrale de la Radio Cognitive . . . . . . . . . 24
II.4 Outil de détection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
II.4.1 Techniques statistiques de détection . . . . . . . . . . . . . . . . . 24
II.4.1.1 La détection par maximum à postériori (MAP) : . . . . . 25
II.4.1.2 La détection par le maximum de vraisemblance (ML) : . . 25
II.4.1.3 La détection par le critère de Neyman-Pearson (NP) : . . 25
II.4.2 Les courbes performances de détection . . . . . . . . . . . . . . . . 26
II.5 Classification des techniques de détection . . . . . . . . . . . . . . . . . . . 27
II.5.1 Les techniques coopératives . . . . . . . . . . . . . . . . . . . . . . 28
II.5.2 Technique de détection du récepteur primaire . . . . . . . . . . . . 29
II.5.3 Techniques non-coopératives. . . . . . . . . . . . . . . . . . . . . . 29
II.6 Méthodes de détection non aveugles . . . . . . . . . . . . . . . . . . . . . 29
II.6.1 Détecteur de filtre adapté (Matched Filter Detector-MFD) . . . . . 29
II.6.2 Détecteur de cyclo stationnarité . . . . . . . . . . . . . . . . . . . . 31
II.7 Méthodes de détection aveugles . . . . . . . . . . . . . . . . . . . . . . . 32
II.7.1 Détecteur d’énergie (ED) . . . . . . . . . . . . . . . . . . . . . . . . 32
II.7.2 Détection basée sur la décomposition en valeurs propres . . . . . . . 33
II.8 Comparaison entre les differentes techniques . . . . . . . . . . . . . . . . . 35
II.9 Evaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . . 37
II.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
III Détection d’énergie avec l’estimation de l’incertitude de bruit 40

III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
III.2 Technique de détection d’énergie (ED) . . . . . . . . . . . . . . . . . . . . 41
III.2.1 Principe de la détection d’énergie (ED) . . . . . . . . . . . . . . . . 41
III.2.2 Détecteur ED pour un canal AWGN . . . . . . . . . . . . . . . . . 41
III.2.3 L’incertitude du bruit . . . . . . . . . . . . . . . . . . . . . . . . . 42
III.2.4 Le seuillage dynamique . . . . . . . . . . . . . . . . . . . . . . . . . 44
v
III.3 Nouvelle technique de détection de spectre basée sur la détection d’énergie

moyenné . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
III.3.1 Modèle du système . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
III.3.2 Probabilité de détection et de fausse alarme : . . . . . . . . . . . . 48
III.3.3 Analyse des résultas . . . . . . . . . . . . . . . . . . . . . . . . . . 48
III.4 Nouvelle Approche de Détection d’energie avec un seuil adapatative . . . . 52
III.4.1 Technique proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
III.4.2 Evaluation des performances et discussion . . . . . . . . . . . . . . 53
III.4.2.1 Evaluation de l’impact des nombre d’échantillons et du
facteur de lissage . . . . . . . . . . . . . . . . . . . . . . . 53
III.4.2.2 Comparaison des performances entre les deux détecteurs
CED et EDDT . . . . . . . . . . . . . . . . . . . . . . . . 56
III.4.2.3 Evaluation de l’impact de l’incertutide de bruit sur la
détection . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
III.5 Deuxième approche de Détection d’énergie avec un seuil adaptative . . . . 57
III.5.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
III.5.2 Resultats de simulation et discussion . . . . . . . . . . . . . . . . . 58
III.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
IV Détection robuste de spectre basée sur une approche bootstrap 62

IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
IV.2 La technique de Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
IV.2.1 Définition du bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . 63
IV.2.2 Le principe du bootstrap . . . . . . . . . . . . . . . . . . . . . . . . 64
IV.2.3 Bootstrap paramétrique . . . . . . . . . . . . . . . . . . . . . . . . 66
IV.2.4 Moving Block Bootstrap(MBB ) . . . . . . . . . . . . . . . . . . . 67
IV.2.5 État de l’art concernant le sondage du spectre par bootstrap . . . 69
IV.3 Méthode proposée basée sur la détection d’énergie en utilisant l’approche
bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
IV.3.1 Test statistique basé sur le Maximum d’énergie . . . . . . . . . . . 70
IV.3.2 Estimation de la densité de probabilité en utilisant l’approche boots-
trap non paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . 71
vi
IV.3.3 Estimation de la densité de probabilité en utilisant la technique

bootstrap parametique . . . . . . . . . . . . . . . . . . . . . . . . . 73
IV.4 Evaluation des performances et discussion . . . . . . . . . . . . . . . . . . 77
IV.4.1 L’effet d’incertitude du bruit . . . . . . . . . . . . . . . . . . . . . . 83
IV.5 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
CONCLUSION GENERALE 86
Bibliographie 89
vii
Abréviations
AWGN Additive white Gaussian noise

AUC Area Under Curve
CDF Cumulative distributed function
CED Conventional energy detection
CROC Complementary Receiver Operating Caracteristic
CROC Complementary Receiver Operating Caracteristic
DSA Dynamic Spectrum Access
EME Energy Minimum Eigenvalue
EBD Eigenvalue Based detection
ED Energy Detector
EDAT Energy Detector with Adaptive threshold
EDDT Energy Detector with Dynamic Threshold
FCC Federal Communications Commission
IEEE Institute of Electrical and Electronics Engineers
i.i.d independent and identically distributed
MFD Matched Filter Detector
MBB Moving Block Bootstrap
MC Monte Carlo
MEED MEan Energy Detection
ML Maximum Likelihood
MF Matched Filter
MME Maximum Minimum Eigenvalue
NP Neyman-Pearson
PD Probability of detection
PDF Probability density function
PFA Probability of false alarm
viii
Liste des figures
PUs Primary users

ROC Receiver operating characteristic
RC Cognitive radio
SCM Sample covariance matrix
SNR Signal to noise ratio
SS Spectrum sensing
SUs Secondary users
SDR Software Dedined Radio
SPRT Sequential Probability Ratio Test
SCM Sample Covariance Matrix
WRAN wireless radio area network
ix
Table des figures
I.1 Schéma simplifié de la radio cognitive [3] . . . . . . . . . . . . . . . . . . . 9

I.2 La relation entre la radio logicielle (SDR) et la radio cognitive . . . . . . . 10
I.3 Architecture d’un système radio cognitive . . . . . . . . . . . . . . . . . . . 11
I.4 Composantes de la radio cognitive . . . . . . . . . . . . . . . . . . . . . . . 12
I.5 Les fonctions de la RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
I.6 Schéma illustratif du principe de la radio cognitive [5]. . . . . . . . . . . . 15
I.7 Cycle de cognition [4] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
I.8 Modèles d’accès dynamique au spectre . . . . . . . . . . . . . . . . . . . . 17
I.9 L’accès hiérarchique au spectre [2] . . . . . . . . . . . . . . . . . . . . . . . 18
II.1 Schéma descriptif des différentes techniques de sondage spectral . . . . . . 27

II.2 Coopération des radios cognitives sous l’effet d’ombre et l’effet multitrajets 28
II.3 Implémentation d’un détecteur à filtre adapté (MFD) . . . . . . . . . . . . 30
II.4 Implémentation d’un détecteur basé sur la cyclo stationnarité . . . . . . . 32
II.5 Implémentation d’un détecteur d’énergie . . . . . . . . . . . . . . . . . . . 33
II.6 Comparaison entre les techniques de détection spectrale. . . . . . . . . . . 37
II.7 Comparaison des performances des techniques de détection EME et MME. 38
II.8 Comparaison des performances des techniques de détection ED et MME. . 38
III.1 Approximation d’une distribution Chi-deux par gaussienne pour un

détecteur ED. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
III.2 Effet d’incertitude du bruit sur les performances d’un ED. . . . . . . . . . 44
III.3 Performances du seuillage dynamique. . . . . . . . . . . . . . . . . . . . . . 45
III.4 Segment de détection en utilisant des blocs glissantes. . . . . . . . . . . . . 47
III.5 Les courbes de probabilité de détection en fonction du SNR pour différentes
valeurs d’échantillons N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
x
Liste des tableaux

valeurs de L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
III.7 Les résultats de détection de MEED analytique et simulé . . . . . . . . . . 51
III.8 Comparaison des performances entre CED et MEED . . . . . . . . . . . . . 51
valeurs de N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
III.10Les courbes de probabilité de détection en fonction du SNR pour différentes
valeurs de L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
III.11Comparaison des performances entre CED et la méthode proposée EDDT . 56
III.12Courbes de probabilité de détection en fonction du SNR pour différentes
niveaux d’incertitude de bruit. . . . . . . . . . . . . . . . . . . . . . . . . . 57
III.13Pd vs SNR pour différentes Ns . . . . . . . . . . . . . . . . . . . . . . . . . 59
III.14Pd vs SNR pour différentes L . . . . . . . . . . . . . . . . . . . . . . . . . 59
III.15Impact des Pfa sur la détection . . . . . . . . . . . . . . . . . . . . . . . . 60
III.16Impact de l’incertutide de bruit . . . . . . . . . . . . . . . . . . . . . . . . 60
IV.1 L’approche du Bootstrap.. . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

IV.2 Bootstrap non-paramétrique pour l’estimation de la distribution F̂ (θ̂). . . 65
IV.3 Exemple de distribution approximée par le bootstrap non paramétrique. . 66
IV.4 Exemple d’histogramme de µ obtenus par bootstrap paramétrique. . . . . 67
IV.5 Segment de détection en utilisant des moving blocks. . . . . . . . . . . . . 68
IV.6 Schéma de Bootstrap non-paramétrique de la méthode proposée . . . . . . 72
IV.7 Histogramme et l’estimation de la pdf de test statistique sous l’hypothèse
alternative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
IV.8 ECDF de test statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
IV.9 Probabilité de détection pour différente valeur d’échantillon . . . . . . . . . 80
IV.10Comparaison les probabilités de détection entre les méthodes proposées et
CED . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
IV.11Les courbes ROC en utilisant l’approche bootstrap a SNR = -5 dB. . . . . 82
IV.12Probabilité de détection obtenu par l’approche bootstrap vs Probabilité de
fausse alarme a SNR = -10 dB . . . . . . . . . . . . . . . . . . . . . . . . . 82
IV.13L’effet de l’incertitude du bruit . . . . . . . . . . . . . . . . . . . . . . . . 83
xi
Liste des tableaux
II.1 Evaluation de différentes techniques de détection spectrale [66]. . . . . . . 36
IV.1 Comparaison entre les méthodes proposées et

CED . . . . . . . . . . . . . . . . . . . . 83
IV.2 Comparaison entre les résultats obtenus par CED et les méthodes pro-
posées . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
IV.3 Complexité de calcule . . . . . . . . . . . . . . . . . . . 84
xii
RESUME
Dans cette thèse nous avons considéré le problème de la détection robuste de spectre
utilisées pour la radio cognitive, d’un signal déterministe inconnu noyé dans un bruit
Gaussien, corrélé et non stationnaire. Ce dernier qui suit une distribution Gaussienne
modélisée avec un coefficient d’incertitude de la puissance de bruit.
Deux détecteurs reposent sur la détection d’énergie sont ensuite construit en utilisant
ces coefficients. Les expressions analytiques des distributions de ce détecteur sous les
deux hypothèses sont déterminées pour le cas Gaussien. Des expressions analytiques ori-
ginales des seuils adaptative de détection sont également dérivées et utilisées pour la
construction d’un algorithme de détection d’énergie qui permet améliorer et de réduire
considérablement l’effet d’incertitude du bruit sur la détection, et offrent de meilleures
performances que celles obtenues avec les techniques classiques existantes dans les mêmes
conditions.
La seconde contribution est traitée en dernière partie. Elle porte sur la détection d’énergie
à l’aide d’une approche bootstrap, Le modèle proposé est appliqué dans le cas où le
nombre d’échantillon utilisés est de petite taille et pour traiter le problème de test statis-
tique corrélé afin d’estimer la distribution de test statistique. Cette nouvelle approche ne
nécessite aucune information préalable sur l’environnement.
Mot clés Radio cognitive, Sondage spectral, Détecteur d’énergie, Seuil adaptative, In-
certitude du bruit, Bootstrap.
INTRODUCTION
Introduction générale
Aujourd’hui, l’avancement et le développement rapide dans les systèmes de communica-

tions sans fil requièrent l’utilisation des ressources du spectre électromagnétique d’une
manière rationnelle. En effet, ces ressources deviennent de plus en plus rares ou même
inexistantes.
Ce problème croissant de pénurie du spectre n’est pas dû à l’insuffisance de bande du
spectre ; mais plutôt à cause de l’utilisation inefficace des bandes de spectre disponibles.
Ce développement rapide des systèmes de communication sans fil cause une augmentation
de la demande des ressources spectrales ; de telle façon que toutes les bandes du spectre
radio sont attribuées à des services et des applications spécifiques. Cependant, ces bandes
du spectre sont pour la plupart de temps sous-utilisées, un part ; d’autre part la plupart
des communications sans fil reposent sur une allocation fixe du spectre [1, 4].
Selon les statistiques concernant l’exploitation du spectre radio, l’organisme de régulation

et de gestion du spectre aux Etats-Unis FCC (Federal Communications Commission), a
publié un rapport [3] sur l’utilisation des fréquences dans lequel il est déclaré que, dans plus
de 70 des cas, le spectre est sous-utilisé suivant en temps et en espace. Actuellement, les
bandes spectrales sont allouées aux réseaux sans fil de manière statique, d’après la FCC.
Cette allocation est trop couteuse en termes d’argent et de bandes spectrales.
Ces agences gouvernementales, telles que la FCC, ont décidé de permettre à d’autres
réseaux d’utiliser ces bandes spectrales lorsqu’elles sont disponibles sans interférer avec
les utilisateurs détenteurs de licence. Dans la technologie de la radio cognitive [8, 9], la
FCC a trouvé la réponse à ses besoins en termes d’optimisations de l’utilisation du spectre,
d’enjeux financiers, cela à encore, motivé la majorité des travaux de recherche. D’ailleurs,
pour la majorité des chercheurs, la radio cognitive est la solution pour améliorer l’utilisa-
tion des ressources spectrales. Partant du constat que le spectre n’était majoritairement
utilisé qu’une fraction du temps en fonction du lieu, la FCC a ouvert la porte à des
méthodes d’accès opportuniste aux bandes spectrales [10], pour des utilisateurs sans li-
cence, dans certaines bandes déjà allouées, comme les bandes télé ou bandes allouées aux
réseaux cellulaires GSM.
En effet, cette approche propose une nouvelle catégorie d’utilisateurs dits utilisateurs
secondaires (US), pouvant accéder aux ressources fréquentielles allouées à des utilisateurs
primaires (UP), lorsque ces derniers ne les utilisent pas. Ainsi, l’efficacité spectrale est
améliorée en permettant la transmission par les US sur les bandes de fréquences détectées
libres et sans causer d’interférence nuisibles avec ce dernier[13].
3
Ces systèmes sont qualifiés de radio intelligente ou radio opportuniste car, en plus de
la détection autonome des bandes libres, ils doivent aussi être capables de changer leurs
paramètres de transmissions afin de répondre, d’une part, aux attentes de l’utilisateur et,
d’autre part, aux contraintes de disponibilités des fréquences et de la ressource disponible
(bande, rapport signal sur bruit (SNR)...).
En 2000 Joseph Mitola, a introduit l’idée de l’allocation dynamique du spectre. Il a défini

ainsi le terme Radio Cognitive (RC) ; qui est largement pressenté pour être le prochain
innovant dans les futures communications sans fil [12]. La radio cognitive est une solution
émergente, qui est constitué d’un émetteur-récepteur adaptable et agile qui modifie intel-
ligemment ses paramètres de communication en fonction des demandes des utilisateurs
pour une utilisation efficace du spectre radioélectrique [2]. En D’autre terme la RC est un
système de communication sans fil intelligent qui se rend compte de son environnement et
adapte ses paramètres puis agi pour simplifier la vie de l’utilisateur . Ce concept novateur
rend possible l’utilisation de bandes de spectre libres.
Mais l’idée de la radio cognitive a été présentée pour la première fois dans un séminaire à
KTH, (The Royal Institute of Technology) en 1998 par Joseph Mitola (Stockholm) Connu
comme le ”Père de la radio logicielle”, une année plus tard (en 1999), elle a été publié par
J. Mitola et Q. Gerald Maguire [7].
L’accès dynamique au spectre ” Dynamic Spectrum Access (DSA) ” est une des appli-
cations la plus importante souvent associée à la radio cognitive. L’accès dynamique au
spectre n’est que la (re)-utilisation des fréquences radio licenciées pour les utilisateurs
primaires par les utilisateurs secondaires , à condition que le titulaire de la licence n’uti-
lise pas ces fréquences à un moment donné ou dans une région donnée de l’espace [2],
Les travaux sur l’accès dynamique au spectre (DSA) qui est souvent considéré comme
la caractéristique essentielle de la radio cognitive, sont devenus très importants[5]. Cette
application est étroitement liée et dépend de la phase de détection spectrale ” Spectrum
Sensing ” de la présence ou de l’absence des utilisateurs primaires(PU) dans un spectre
sous licence en utilisant des techniques de détection notamment la détection d’énergie (
Energy Detection) ainsi que la détection à base de valeurs propres (Eigen-value based
detection).
Plusieurs difficultés existent lors du sondage spectral dont le plus reconnu est le niveau
d’interférence avec l’utilisateur primaire (définit par le SNR qui peut atteindre -20 dB
4
pour le cas de WRAN [29]). Le problème d’incertitude de la puissance de bruit représente

quant à lui un autre défi majeur pour le sondage spectral qui peut être du principalement
soit aux imperfections de récepteurs ou bien les incertitudes de canal de propagation. Ces
derniers peuvent être engendrés par les émissions parasites des utilisateurs secondaires.
Les méthodes de détection aveugles ou bien celles qui ne nécessitent pas des informations
a priori sur les UPs sont les plus répandues pour effectuer le sondage spectral [13], dont
la détection d’énergie (ED), est la plus facile en terme d’implémentation. Ceci n’empêche
pas que cette méthode présente des limitations par rapport à l’incertitude de bruit [72].
Une autre méthode considérée aussi aveugle est la méthode de détection basée sur les
valeurs propres. Cette dernière résiste au problème de l’incertitude de bruit.
- Discussion du thème et contributions
Dans ce cadre, s’inscrit ce travail qui consiste à élaborer, analyser et évaluer des techniques
de sondage spectral utilisées pour la radio cognitive. Puis mettre en ouevre des nouvelles
méthodes de détection robuste de spectrale qui offrent de meilleures performances que
celles obtenues avec les techniques classiques existantes dans les mêmes conditions et en
utilisant le même nombre d’échantillons et ceci surtout pour la détection aveugle (basé sur
la détection d’énergie) qui n’exige pas des informations à priori (au préalable) sur le si-
gnal à détecter. Deux détecteurs reposent sur la détection d’énergie sont construit, ensuite
des expressions analytiques originales des seuils adaptative de détection sont également
dérivées et utilisées pour la construction d’un algorithme de détection de spectre qui
permet améliorer et de réduire considérablement l’effet d’incertitude du bruit, et offrent
de meilleures performances que celles obtenues avec les techniques classiques existantes
dans les mêmes conditions. La seconde contribution porte sur la détection d’énergie à
l’aide d’une approche bootstrap, Le modèle proposé est appliquée dans le cas où le
nombre d’échantillon utilisés est de petite taille et pour traiter le problème de test statis-
tique corrélé afin d’estimer la distribution de test statistique. Cette nouvelle approche ne
nécessite aucune information préalable sur l’environnement.
- Organisation de la thèse : La présente thèse est scindé en deux principales parties :
La première partie qui est composée des chapitres I et II est une présentation générale du
contexte de la radio cognitive et le problème de la détection de spectre.
- Premier chapitre : Il sera consacré au contexte dans lequel s’inscrit notre étude.
Nous présentons une généralité sur la radio cognitive, on va aborder la notion de la
RC ; les fonctionnalités et les composantes de cette technologie et aussi les protocoles qui
5
interviennent pour la mise oeuvre au sein d’un environnement radio. Par la suite, on va
explorer les différentes applications de cette nouvelle technologie dans les divers domaines
de la vie pour répondre aux différentes exigences des technologies actuelles et aussi pour
les futures tendances dans le domaine des télécommunications.
- Deuxième chapitre : Nous allons aborder un état de l’art sur les techniques les plus
connues utilisées dans la détection spectrale (Spectrum Sensing) ; ainsi que une étude de
performance de ces techniques en abordant les avantages et les inconvénients de chacune
de ces méthodes.
La deuxième partie de ce travail est dédiée aux contributions et résultats obtenus. Elle
comporte les chapitres III et IV.
- Troisième chapitre : Dans cet chapitre une approche de détection pour améliorer et
éliminer l’effet d’incertitude du bruit sur la détection est proposée. Elle est basée sur un
seuillage adaptatif.
La théorie de base de la détection d’énergie est donnée au début de ce chapitre. Elle est
suivie de la dérivation analytique des expressions des distributions de la statistique de
détection sous les deux hypothèses dans le cas Gaussien. Des expressions analytiques des
seuils de détection sont ensuite calculées et un nouvel approche de détection d’énergie
basé sur ces expressions est proposé. Des résultats qui concrétisent l’apport de l’approche
proposes sont présentés en dernière partie de ce chapitre. Ils concernent les performances
obtenues dans le cas de données simulées.
- Quatrième chapitre : La seconde contribution de cette thèse est présentée dans le
chapitre IV. Elle porte sur la détection d’énergie à l’aide d’une approche bootstrap, pour
la détection de spectre. Le modèle proposé est appliqué dans le cas où le nombre d’un
échantillon est de petite taille et pour traiter le problème de test statistiques corrélées afin
d’estimer la distribution de test statistique. Cette nouvelle approche ne nécessite aucune
information préalable sur l’environnement. La théorie de base de la technique de bootstrap
est donnée au début de ce chapitre. Elle est suivie de la dérivation analytique des expres-
sions des distributions de la statistique de détection qui est effectuée de deux manières
non paramétrique et paramétrique. Des résultats des simulations, les performances du
détecteurs proposés sont analysées et comparées aux détecteur d’énergie conventionnels.
Nous terminerons ce manuscrit par une conclusion générale pour montrer les points prin-
cipaux dégagés de ce travail.
6
Chapitre I
GÉNÉRALITÉ SUR LA RADIO

COGNITIVE
Chap I : Généralité sur la radio cognitive
I.1 Introduction
Dans ce premier chapitre, nous allons étudier les différents aspects de la radio cogni-
tive. Aujourd’hui, les fréquences radio sont considérées comme des ressources rares, il
est aussi connu que les systèmes de communications numériques sans fil n’exploitent pas
l’intégralité de la bande de fréquence disponible. Les futurs systèmes sans fils seront donc
amenés à exploiter de manière intelligente ces bandes de fréquences inoccupées, qui leurs
permettront de s’adapter à leurs environnements. De ce besoin, de nouvelles solutions
sont apparues. Cela a donné naissance à la radio logicielle, qui au début était prévue pour
des applications militaires mais qui s’est progressivement exportée vers le domaine civil.
La radio cognitive correspond à l’étape suivante qui relie directement avec le besoin de
gérer et de s’adapter à l’environnement du terminal radio, ce concept répond mieux au
défi de taille lié à l’utilisation du spectre mais aussi à celui d’augmenter le débit. Dans
ce chapitre nous présenterons, les notions et les concepts fondamentaux définissants une
radio cognitive, Nous commencerons par son constituant de base qui est la radio logicielle,
ensuite nous aborderons l’architecture et les composantes de la radio cognitive, puis nous
présenterons ses fonctions et le cycle de cognition. Finalement, nous citerons quelques
applications envisageables.
I.2 Généralité sur la Radio logicielle (software radio)
L’idée de la radio logicielle (RL) est de concevoir un système de communication univer-

sel permettant de se reconfigurer, se paramétrer ou se reprogrammer pour supporter les
différents standards de télécommunication[11, 12]. Cette diversité peut aussi se traduire
par les nouvelles applications que doivent supporter les équipements mobiles. Ceux-ci
doivent être capables de transmettre et recevoir en plus de la voix, des données, des
images, des flux vidéos numériques. Par conséquent, un seul circuit universel serait suf-
fisant pour remplacer la multitude de circuits correspondants aux différents standards
radios à supporter par l’équipement de télécommunication.
Ces travaux ont été concrétisés par Joseph Mitola, et sont apparus en 1991. Actuellement
pour combiner les anciennes et nouvelles techniques, on passe par une phase intermédiaire,
qu’on appelle radio logicielle restreinte (Software Defined Radio), la figure I.1 montre une
Schéma simplifié de la radio cognitive.
8
Figure I.1 — Schéma simplifié de la radio cognitive [3]
I.3 Relation entre radio logiciel et radio cognitive
L’idée de la radio cognitive a été présentée officiellement par Joseph Mitola, puis publiée
plus tard dans un article en 1999. Connu comme le : Père de la radio logicielle. Dr Mitola
combine son expérience de la radio logicielle ainsi que sa passion pour l’apprentissage
automatique et l’intelligence artificielle pour mettre en place la technologie de la radio
cognitive dans le but d’optimiser les performances des systèmes de communication. Et
donc d’après lui : Une radio cognitive peut connaı̂tre, percevoir et apprendre de son en-
vironnement puis agir pour simplifier la vie de l’utilisateur . De plus il est connu que,
les caractéristiques basiques de la radio cognitive est la capacité à l’adaptation des pa-
ramètres de la radio (fréquence centrale, puissance, modulation et bande passante) pour
être modifiés selon le milieu environnant, la situation, les exigences de l’utilisateur, l’état
du réseau, la géolocalisation, etc. D’autre part la SDR est capable d’offrir la flexibilité,
la reconfigurabilité et la portabilité inhérentes pour l’aspect radio cognitive ; en d’autres
termes la radio cognitive doit être implémentée et être mise en oeuvre à la base de la
SDR. Et donc la radio logicielle est une ”technologie habilitante” pour la radio cognitive.
Comme nous le montre la figure I.2 :
Dans le modèle simple, les éléments de la radio cognitive entourent le support radio
logicielle restreinte. la machine cognitive représente la partie en charge d’optimiser le
contrôle de la SDR en utilisant certains paramètres d’entrées tels que les résultats de
sondage, l’apprentissage du milieu environnant la radio, le contexte d’utilisateur et l’état
du réseau. Comme nous pouvons le constater sur la figure I.2 :
9
Figure I.2 — La relation entre la radio logicielle (SDR) et la radio cognitive
I.4 Définition de la radio cognitive (RC)
Le terme radio cognitive est utilisé pour décrire un système ayant la capacité de détecter et
de reconnaı̂tre son cadre d’utilisation, ceci afin de lui permettre d’ajuster ses paramètres
de fonctionnement radio de façon dynamique et autonome et d’apprendre des résultats
de ses actions et de son cadre environnemental d’exploitation. Les définitions de la ra-
dio cognitive sont multiples ; aucune n’est officiellement agrée. On peut la considérer
comme une forme de communication sans fil dans laquelle un émetteur/récepteur peut
détecter intelligemment les canaux de communication qui sont en cours d’utilisation et
ceux qui ne le sont pas, et peut se déplacer dans les canaux inutilisés. Ceci permet d’op-
timiser l’utilisation des fréquences radio disponibles du spectre tout en minimisant les
interférences avec d’autres utilisateurs. La radio cognitive est également nommée : ”ra-
dio intelligente”, ”agile radio” ou ”dynamic spectrum access ” ; elle utilise une approche
flexible des transmissions radio, qui exploitent en temps réel les informations disponibles
dans son environnement (canal de transmission, modulations, nombre d’utilisateurs, loca-
lisation géographique, puissances d’émission), afin d’établir des communications fiables,
quel que soit le moment de la transmission et l’emplacement des terminaux.
10
I.5 Structure de la radio cognitive
La structure d’un système radio cognitif est définie par un ensemble cohérent de règles
de conception par lesquelles un ensemble spécifique de composantes réalise une série de
fonctions, de produits et de services, comme le montre la figure I.3 ci-après :
Figure I.3 — Architecture d’un système radio cognitive
Les six composantes fonctionnelles de l’architecture d’un système radio cogni-

tive sont :
— La perception sensorielle (Sensory Perception : SP) de l’utilisateur qui in-

clut l’interface haptique (qui concerne le sens du toucher- tactile), acous-
tique, la vidéo et les fonctions de détection et de la perception.
— Les capteurs de l’environnement local (emplacement, température, etc.)
— Les applications système (les services médias indépendants comme un jeu

en réseau).
— Les fonctions RLR (qui incluent la détection RF et les applications radio

de la RLR).
11
— Les fonctions de la cognition (pour les systèmes de contrôle, de planifica-

tion, d’apprentissage).
— Les fonctions locales effectrices (synthèse de la parole, du texte, des gra-
phiques et des affiches multimédias). [3]
I.6 Les composantes de la radio cognitive
La radio cognitive se compose principalement [8] de :

A) Émetteur/récepteur : le SDR de transmission est le principal composant, le récepteur
observe l’activité fréquentielle du spectre (détection du spectre) et les paramètres
du transmetteur et du récepteur peuvent être changés dynamiquement.
B) Analyse spectrale : le signal capté par le récepteur issu d’un utilisateur primaire est
traité et analysé pour trouver les trous dans le spectre pour l’utilisateur secondaire.
C) Apprentissage et extraction de connaissance : l’apprentissage et l’extraction de
connaissances utilisent les informations sur l’utilisation du spectre pour comprendre
l’environnement ambiant RF, comme le montre la figure I.4.
D) Décision : après l’identification des trous dans le spectre, la décision optimale dépend
à la fois de l’environnement et de la coopération et la compétition des utilisateurs
secondaires. Plusieurs techniques sont utilisées pour obtenir une décision optimale.
Figure I.4 — Composantes de la radio cognitive
12
I.7 Fonctions de la radio cognitive
La radio cognitive a pour objectif d’optimiser et de résoudre la saturation du réseau

de communication sans fil au niveau des terminaux. Et en passant par des fonctions
principales (comme l’illustre la figure I.5) qui sont les suivantes :
Figure I.5 — Les fonctions de la RC
I.7.1 Détection du spectre (Spectrum sensing) :
Cette technique permet aux utilisateurs de déterminer et détecter les bandes non uti-
lisées du spectre. L’un des objectifs de la détection spectrale est d’obtenir le statut du
spectre (libre/occupé), de sorte que le spectre puisse être consulté par un utilisateur se-
condaire (US) sans interférence avec un utilisateur primaire (UP). Ce défi réside dans le
fait de mesurer l’interférence au niveau du récepteur primaire causée par les transmissions
d’utilisateurs secondaires. Il existe deux type sondage :
• Sondage réactif : il est initié uniquement lorsque l’utilisateur présente des données
à émettre. Dans ce cas, le sondage se fait périodiquement jusqu’à ce que toute la
donnée soit transmise. Son avantage réside dans la diminution du temps de sondage
inutile cependant elle présente l’inconvénient d’attendre les résultats du sondage
avant l’émission de la donnée.
• Sondage proactif : il se fait périodiquement même à l’absence de donnée à
13
l’émission, la période du sondage doit être optimisée et ajustée selon le type de

trafic dans le canal à sonder. Son avantage est la diminution de temps d’attente
pour la donnée à émettre du fait d’une localisation au préalable des bandes spec-
trales inoccupées et ceci au détriment d’un temps et efforts supplémentaires pour
un sondage pas toujours nécessaire.
Ces deux modes opératoires présentent des avantages et inconvénients. Ils peuvent être
utilisés selon l’application et les conditions de l’environnement.
I.7.2 Gestion du spectre (Spectrum management) :
C’est la partie principale de la radio cognitive. Elle vise à exploiter les données issues
de la détection, permettre de choisir les meilleurs fréquences disponibles, répondant aux
besoins des utilisateurs, qui offrent une meilleure qualité de service (QdS). Cette fonction
est scindée en deux étapes comme suit :
1. Analyse du spectre : les résultats du sondage vont être analysés pour estimer la
qualité du spectre disponible en tenant compte de :
— Rapport signal sur bruit (SNR) ;
— La corrélation moyenne ;
— La disponibilité du spectre.
Mais ces résultats généralement restent imprécis et bruités, des algorithmes d’ap-
prentissage ou d’intelligence artificielle sont utilisés.
2. Décision : le modèle de décision est requis pour l’accès au spectre, la complexité

de ce modèle dépend des paramètres considérés dans l’étape d’analyse spectrale en
d’autre terme elle permet de déduire la stratégie à adopter pour s’insérer dans le
réseau et sélectionner le meilleur canal disponible.
I.7.3 Mobilité du spectre (Spectrum mobility) :
C’est le processus qui permet à l’utilisateur de la radio cognitive de changer sa fréquence

de fonctionnement. Les réseaux radio cognitifs utilisent le spectre de manière dynamique
en permettant à des terminaux radio de fonctionner dans la meilleure bande de fréquence
disponible et éviter la perte de communication sur les canaux bloqués , et maintenir une
transition transparente pour les communications.
14
I.7.4 Partage du spectre (Spectrum sharing) :
C’est le processus qui consiste à utiliser le spectre radio entre les utilisateurs secondaires
et les utilisateurs primaires d’une manière opportuniste, dynamique et efficace, sans faire
une interférence entre eux.
Figure I.6 — Schéma illustratif du principe de la radio cognitive [5].
I.8 Cycle cognitif
La radio cognitive doit être dotée de certaines capacités fonctionnelles pour pouvoir ac-
complir son rôle, que Mitola décrit dans ce qu’il a appelé, le cycle cognitif. La Figure (I.7)
décrit en détail ce cycle commençant par l’étape d’observation jusqu’à l’étape d’action
afin de permettre à la radio cognitive d’interagir avec son environnement. Les systèmes
cognitifs observent, orientent, planifient, décident et agissent, tout en apprenant de leur
environnement afin d’être plus efficaces au fil du temps. Les différentes étapes du cycle
cognitif sont les suivantes :
— Observation : Extraire plusieurs informations à partir de l’environnement comme

la fréquence radio, le type de données transmises (audio, vidéo, etc.), la position,
la température, le niveau de lumière des capteurs et ainsi de suite pour en déduire
le contexte de communication.( la radio cognitive rassemble les expériences en se
souvenant de tout).
15
— Orientation : Evaluer la situation et déterminer si elle est familière et réagir

immédiatement, si nécessaire.
— Planification : Identifier les actions alternatives à prendre.
— Décision : Décider entre les actions candidates, en choisissant la meilleure entre

elles en fonction des niveaux de QoI (Quality of Information).
— Action : Agir sur l’environnement en effectuant, par exemple, des modifications au

niveau de la fréquence radio.
— Apprentissage automatique : S’informer à partir de l’expérience acquise à tra-

vers l’observation de l’environnement. Cet apprentissage peut se produire quand un
nouveau modèle est créé en réponse à une action.
Figure I.7 — Cycle de cognition [4]
I.9 Les modèles d’accès dynamique au spectre
L’accès dynamique au spectre (Dynamics Spectrum Access DSA) est une technique
adoptée par les réseaux radio pour sélectionner dynamiquement les spectres d’exploi-
tations à partir des spectres disponibles. La DSA est une approche opposée à la gestion
statique actuelle du spectre. Cette technique permet aux utilisateurs secondaires d’ex-
ploite un spectre licencié sans causer d’interférence nuisibles aux utilisateurs primaires
16
[25]. Il existe trois modèles de stratégies d’accès dynamique au spectre, comme illustre la
figure I.8.
Figure I.8 — Modèles d’accès dynamique au spectre
I.9.1 Modèle d’accès exclusif
Ce modèle autorise le spectre pour une utilisation à usage exclusif, en respectant cer-
taines règles. L’idée principale est d’introduire une flexibilité pour améliorer l’efficacité
du spectre. Deux approches ont été proposées dans le cadre de ce modèle : droits de pro-
priété du spectre [27] et attribution dynamique du spectre [2]. Quand a l’accès il peut
être par :
• Des licences ;
• Des Spécifiques régions, temps, bande de fréquence ;
• L’utilisateur primaire peut donner des sous-licences ;
• L’allocation dynamique par temps ou régions, ou par statistiques des trafics.
I.9.2 Modèle d’accès hiérarchique
Ce modèle a été conçu pour autoriser l’utilisateur secondaire (non autorisé) d’accéder de
manière opportuniste au spectre sans interférer avec les utilisateurs primaires (autorisé),
de manière général ce type d’accès est basé sur la priorité, on y trouve deux modes :
• Mode overlay : L’utilisateur primaire est prioritaire par rapport à l’utilisateur se-
condaire. Par conséquent, ce dernier n’utilise que les vides dans le spectre.
17
• Mode underlay : Dans ce cas, l’utilisateur secondaire utilise le spectre en coexistence

avec l’utilisateur primaire. Néanmoins, la puissance du signal secondaire est étalée
sur une large bande tout en la gardant sous le niveau de bruit vu par l’utilisateur
primaire. Le schéma I.9 ci-dessous représente les techniques d’accès dynamique au
spectre.
Figure I.9 — L’accès hiérarchique au spectre [2]
I.9.3 Modèle d’accès libre
Ce modèle est aussi appelé modèle de spectre commun, c’est à dire qui comporte des utili-
sateurs secondaires, qui peuvent exiger quelques conditions comme la puissance maximale
à transmettre ou la transmission par cycle. Comme exemple de ce modèle, les bandes ISM
(Industrial Scientific Medical).
I.10 Standards existant pour la radio cognitive
Chaque système doté d’une radio doit assurer sa fonction principale d’effectuer des com-
munications efficaces. En plus de ¸ca, les radios cognitives doivent effectuer des traitements
de signal supplémentaires qui lui permettent d’être conscient de leurs environnements ra-
dio (autres utilisateurs), et des besoins de leurs propres utilisateurs en même temps,
I.10.1 La norme IEEE 802.22
Etablit pour tirer profit des bandes fréquentielles VHF et UHF entre 54-862 MHz (non
contigüe) par les RC [14]. C’est peut-être l’exemple le plus flagrant des applications de la
18
radio cognitive, qui est concerné avec l’exploitation des trous spectraux dans le spectre
alloué pour les systèmes (wireless regional area network TV Broadcasting ( WRAN) non
utilisé dans certains endroits ruraux [5]. Ces bandes nécessitent un pouvoir de détection
allant jusqu‘a des SNR de -20 dB de la part des utilisateurs secondaires cognitives.
I.11 Domaines d’applications de la radio cognitive
Le concept de la radio cognitive peut être appliqué à une variété de domaine de commu-
nication sans fil. Parmi les applications on peut citer :
Les réseaux sans fil de prochaine génération (5G) : La radio cognitive devrait être
une technologie clé pour la prochaine génération de réseaux sans fil hétérogènes. La radio
cognitive fournira des renseignements intelligents à la fois pour l’utilisateur et pour le
fournisseur d’équipements. Et peut résoudre de nombreux problèmes comme améliorer la
QoS , réduire les interférences intercellulaires et intracellulaires, et améliorer la couverture
ou l’efficacité spectral , augmenter le débit ou même permettre une interopérabilité et une
mobilité dans/entre les réseaux hétérogène ( 4G LTE-A, 5G).
Réseaux militaires : L’avantage de la radio cognitive est que les paramètres de la com-
munication sans fil peuvent être adaptés de manière dynamique en fonction du temps et
de l’emplacement ainsi que de la mission des soldats. Par exemple, si certaines fréquences
sont brouillées,bruyantes ou bien mises sous écoute, les dispositifs radio cognitifs peuvent
établir une communication avec plusieurs saut de fréquences (Frequency hoppping)assez
rapide pour que l’ennemie ne puisse pas la capter.
Réseaux d’urgence de sécurité publique : Les réseaux de sécurité publique et d’ur-

gence peuvent profiter des concepts de la radio cognitive pour fournir la fiabilité et la
flexibilité de communication sans fil. Par exemple, dans un scénario où il y a une catas-
trophe, l’infrastructure de communication standard peut ne pas être disponible, et par
conséquent, un système de communication sans fil adaptatif (soit un réseau d’urgence)
peut être nécessaire d’être créé pour soutenir la reprise après sinistre. Ce genre de réseau
peut utiliser le concept de la radio cognitive pour permettre la transmission sans fil et la
réception sur une large gamme du spectre radio.
19
Services de cyber santé (eHealth services) : Différents types de technologies sans

fil sont adoptés dans les services de santé pour améliorer l’efficacité de la prise en charge
des patients et la gestion des soins de santé. Cependant, la plupart des dispositifs de soins
utilisés sont sans fil et sont limités par les EMI (interférences électromagnétiques) et EMC
(compatibilité électromagnétique) car l’équipement médical et les capteurs bio signal sont
sensible aux EMI, et leurs puissances d’émissions doivent être contrôlées, ce qui avantage
l’utilisation de CR dans ce domaine.
I.12 Conclusion
Nous avons présenté dans ce chapitre les notions importantes concernant la radio cogni-
tive tel que les fonctions et les composants de la radio cognitive ainsi que le cycle cognitif,
en passant par une petite description de la radio logicielle. Nous avons terminé par souli-
gner quelques applications envisageables en radio cognitive. De manière générale, la radio
cognitive est un domaine qui relie les télécommunications et l’intelligence artificielle. Elle
est, avant tout, un système radio qui met en place, en plus de sa fonction principale (la
communication), un ”cycle cognitif” qui lui permet de comprendre son contexte et d’agir
en conséquence. Ce qui offre aux utilisateurs un débit et une QoS accrus, globalement une
augmentation du confort dans leurs communications. D’un point de vue opérateur, une
gestion optimisée du spectre s’impose pour pouvoir tirer le maximum de profit de la bande
passante globale disponible, dans le chapitre qui suit, nous allons nous intéresser à cette
manière d’optimisation et au sondage spectral qui représente une des plus importantes
fonctions de la radio cognitive.
20
Chapitre II
ETAT DE L’ART SUR LES TECHNIQUES

DE DÉTECTION DE SPECTRE
Chap II : Etat de l’art sur les techniques de détection de spectre
II.1 Introduction
Dans ce chapitre nous allons nous intéresser à la détection spectrale, comme nous le savons
dans la radio cognitive il existe deux types d’utilisateurs, un Utilisateur Primaire (US)
qui utilise des sous-bandes pré-allouées pour lui. Et Utilisateur Secondaires (UP) qui est
autorisé à utiliser un trou spectral.
L’une des principales fonctions de la radio cognitive permettant à la radio d’apprendre
les paramètres liés aux caractéristiques du canal pour détecter temporairement des trous
de spectre ou des espaces blancs sans causer des interférences nuisibles aux activités
des utilisateurs autorisés ou des utilisateurs primaires [14]. Une fois que les trous du
spectre sont disponibles, les fonctionnalités de partage et d’attribution du spectre sont
mises en place pour utiliser les bandes du spectre. La performance de la détection du
spectre est importante car toutes les fonctionnalités de la radio cognitive seront basées
sur l’information liée à la disponibilité du spectre.
Nous allons aussi étudier les différentes techniques utilisées pour la détection du spectre.
II.2 Défis et obstacles de la détection de spectrale
La détection du spectre est l’opération la plus importante dans le cycle cognitif. Cette
opération permet d’identifier l’état du spectre (occupé ou non) et de caractériser le signal
de occupant le spectre par sa fréquence porteuse, sa modulation et sa bande passante
[15, 17].
Il existe plusieurs types de techniques tels que le filtre adapté (MFD MatchedFilter De-
tector) ou le détecteur d’énergie (ED Energy Decector )... . Ces détections doivent faire
face à des défis importants tels que [8, 22] :
— Incertitude du canal : si l’émetteur primaire souffre d’un fort affaiblissement

(Deep Fading) lors de la transmission, en raison de divers obstacles ; donc l’uti-
lisateur secondaires peut détecter la présence d’un trou dans le spectre et puis
commencer à transmettre dans cette partie. cela entrainera des interférences qui
perturberont la communication et conduiront à la perte des données.
— Incertitude du bruit : la puissance du bruit est le résultat de plusieurs sources
de transmissions, qui ne sont pas toujours connues pas la radio cognitive, mais
qui peuvent être estimées. Il arrive que le signal détecté soit pris pour du bruit,
pour cette problématique on utilise le Rapport Signal sur Bruit (SNR), si cette
22
estimation est en dessous du seuil de décision, elle est prise comme bruit. c’est le
cas de la méthode de détection d’énergie.
— Probabilité de fausse alarme : Il est défini comme la probabilité que le détecteur

déclare la présence de PU, lorsque le PU est absent. probabilité de fausse alarme
est aussi appelé Erreur de type I. S’il y a trop de fausses alarmes, les possibilités de
réutilisation du spectre peuvent être négligeables. Par conséquent, le contrôle de la
probabilité de fausse alarme est crucial pour une utilisation efficace du spectre.
— la probabilité de détection manquée : Il est défini comme la probabilité que le

détecteur déclare l’absence l’UP, lorsqu’UP est réellement présent. la probabilité de
détection manquée est aussi appelé erreur de type II. Trop de détections manquées
peuvent entraı̂ner des collisions des transmissions PU et SU causant des interférences
à l’unité centrale.
— Problème de sommation d’interférence : pour la détection de l’émetteur pri-

maire dans la détection du spectre coopératif de multiples RC sont utilisés. Les
interférences globales causées par les réseaux RC peuvent nuire au récepteur prin-
cipal.
— Temps de détection : il est souhaitable que les durées de détection soient plus
courtes et les durées de transmission de données plus longues. Si le temps de
détection est trop long, la durée de transmission de données réduit, réduisant ainsi
le débit [15]
— Dégradation de la QoS : l’utilisateur secondaire doit constamment surveiller

l’activité spectrale, si l’utilisateur primaire est retourné en activité. Dans ce cas il
est nécessaire de changer de bande spectral, cette transition implique un délai et
une réinitialisation des protocoles, pour s’adapter au paramètre caractéristique de
la nouvelle bande fréquentielle, ce qui impacte directement la Qos
— les problèmes de complexité et de mise en oeuvre : Il est souhaitable de

disposer d’algorithmes de détection simples et réalisables qui sont également efficace
en matière d’énergie. Par conséquent, en coût matériel.
Sans oublier d’autres paramètres qui rentre en jeu lors de la conception d’un détecteur de
spectre comme la portée, la consommation d’énergie, de la robustesse du sondage mais
aussi de la complexité de calcul.
23
II.3 Paramètres de la détection spectrale de la Radio Cognitive
Les caractéristiques du sondage spectral doit garantir que le système radio cognitive est
capable d’éviter toutes interférence avec les autres Equipements de Utilisateur (EU), en
conservant ses performances pour lesquelles elle a été conçue. Pour cela il doit tenir compte
des paramètres comme :
— Sondage en continu : par définition un système radio cognitive utilise le spectre de

manière à ne pas interférer avec l’utilisateur principale (UP). En conséquent, il est
nécessaire que la RC sonde en permanence et détecte continuellement l’occupation
du spectre.
— Sondage d’un spectre vide alternatif : dans le cas où l’UP retourne dans son
spectre qui est utilisé par l’utilisateur secondaire (US) .Ce dernier doit basculer sur
une nouvelle bande spectrale(bande alternative) afin de céder le spectre à l’UP.
— Identification du type de transmission : pour assurer la bonne transmission du
signal il est nécessaire que la RC détecte le type de transmission reçue, afin que les
transmissions parasites soient ignorées ou diminués.
— Précision de détection de spectre : le mécanisme de sondage spectral radio
cognitif doit avoir la capacité de détecter tous les niveaux du signal, afin de minimiser
le nombre de fausses alarmes et d’augmenter les performances.
II.4 Outil de détection
II.4.1 Techniques statistiques de détection
La tâche essentielle dans la détection du spectre est de décider si le spectre est inactif
ou non. Cette problématique est résolue par la décision entre les deux hypothèses, qui
peut être modélisées par des tests d’hypothèse binaire comme suit :(un problème de test
d’hypothèse binaire) [15]
H0 : x[n] = η[n]
H1 : x[n] = h[n]s[n] + η[n], n = 1, 2, ...N (II.1)
Hypothèse H0 indique il n’y a pas UP dans la détection du canal, tandis que H1 stipule
que UP est présent, x[n] correspond aux échantillons du signal reçu, η[n] correspond à des
24
échantillons de bruit de processus, qui est considéré comme bruit blanc gaussien additif
(AWGN) ayant une variance ση2 , s[n] correspondant à des échantillons du signal UP ayant
une variance σs2 , h est le gain de canal à l’instant n.
Dans la littérature, on trouve plusieurs technique statistique de détection, on peut citer :
II.4.1.1 La détection par maximum à postériori (MAP) :
Cette méthode pouvant être utilisée afin d’estimer un certain nombre de paramètres in-
connus, dans notre cas elle utilise les probabilités à postériori sous l’hypothèse H0 et H1
pour le signal reçu x(n), qui est donné par [17, 18] :
P (H1 | x) H1
Λ(x) = ln[ ]T γ (II.2)
P (H0 | x) H0
En utilisant le principe de Bayes :
P (x | H1 ) H1 P (H0 ) 0
Λ(x) = ln[ ] TH0 ln[ ]γ = γ (II.3)
P (x | H0 ) P (H1 )
0
Le seuil γ nécessite les probabilités apriori sous l’hypothèse H0 et H1 .
II.4.1.2 La détection par le maximum de vraisemblance (ML) :
Ce détecteur dérive du détecteur MAP pour le cas P (H0 ) = P (H1 ) = 0.5.
P (x | H1 ) H1
Λ(x) = ln[ ]T 0=γ (II.4)
P (x | H0 ) H0
Mais ce détecteur est inapproprié et ne répond à l’exigence lors d’une détection pour le
cas P (H0 ) 6= P (H1 ).
II.4.1.3 La détection par le critère de Neyman-Pearson (NP) :
C’est la détection la plus utilisée dans le sondage spectral, elle utilise l’approche par seuil,
elle maximise la probabilité de détection P (Ω(x) > x | H1 ) pour une probabilité de fausse
alarme P (Ω(x) > x | H0 ) constante, ou Ω(x) est le rapport de vraisemblance qui peut
s’écrire sous la forme [17, 18] :
25
P (x | H1 )
Ω(x) = (II.5)
P (x | H0 )
Le critère de Neyman-Pearson s’écrit :
Ω(x) TH
H0 γ
1
(II.6)
Où γ est le seuil qui dépend de probabilité de fausse alarme P f a
II.4.2 Les courbes performances de détection
Pour déterminer la performance d’un détecteur on utilise des courbes pour évaluer et
comparer les critères sélectionnés de manière plus usuelle et compréhensible. On peut
citer :
1. Les courbes Receiver Operating Caracteristic (ROC) :

Afin d’évaluer les performances d’un détecteur donné, dans des conditions données, il
est souvent utile de tracer la courbe qui lie la probabilité de détection Pd à la proba-
bilité de fausse alarme Pfa. Appelée courbe de ROC (Receiver Operating Caracteris-
tic) [10]. Une des caractéristiques importantes liée à ces courbes est qu’elles passent
par le point d’origine et par le point (1, 1) indépendamment des performances du
détecteur. Si la courbe de ROC est en dessus de la première bissectrice(appelée aussi
la ligne qui correspond (P f a = P d). alors on dit que le détecteur est efficace, puisque
en moyenne il a plus de bonnes décisions que de mauvaises décisions (P d > P f a).
Le contraire est vrai aussi. Enfin pour comparer les performances de deux détecteurs
pour une plage de fausse alarme donnée il suffit de voir lequel des détecteurs à une
courbe de ROC supérieure sur cette plage. Ces performances peuvent se calculer par
l’aire sous la courbe AUC (Area Under Curve), plus la surface est grande et se rap-
proche unité, meilleure est les performances, quant au détecteur le moins performant
a une surface égale (1/2). [13].
2. Les courbes Complementary Receiver Operating Caracteristic (CROC) :

Une courbe CROC est le tracé de la probabilité de mi-détection Pmd en fonction de la
probabilité de fausse alarme P f a. Les performances d’un détecteur seront évaluées
par l’aire sous la courbe, plus cette dernière est proche de 0 plus le détecteur sera
26
meilleur, et plus qu’elle s’approche à (1/2) moindres seront les performances du

détecteur.
3. Les courbes Pd en fonction du rapport signal sur bruit (SNR) :
Ce type de courbe permet de caractériser la probabilité de détection Pd en fonction

du rapport signal sur bruit (SNR), qui va d’une valeur très faible jusqu’à des valeurs
très élevées, pour une probabilité de fausse alarme Pfa fixe,on dit que ce détecteur
est performant s’il arrive à détecter des SNR très faibles.
II.5 Classification des techniques de détection
Il existe une grande famille de techniques, on peut citer :
— Techniques coopératives.
— Techniques non-coopératives.
— Technique de détection de récepteur primaire.
Comme l’illustre la figure II.1 suivante :
Figure II.1 — Schéma descriptif des différentes techniques de sondage spectral
27
II.5.1 Les techniques coopératives
Dans cet environnement coopératif, les radios cognitives coopèrent et communiquent les
unes avec les autres pour prendre une décision pour accéder au spectre et maximiser
une fonction [54, 55, 56] en tenant compte des contraintes. Cette coopération permet de
remédier au problème de l’utilisateur principale (UP) caché, qui est dû au shadowing et
à l’effet d’évanouissement causés par les trajets multiples du canal.
Comme nous pouvant le voir sur la figure ci-dessous (Figure II.2) les radios cognitives R1
et R2 ne voient pas le signal primaire à cause de l’effet d’ombre et d’évanouissement alors
que R3 détecte ce signal, la coopération de R3 et R1 permet de voir la présence du signal
primaire.
De plus la radio coopérative permet de réduire le temps de sondage, contrairement à une
seul radio qui nécessite un temps relativement long pour avoir une précision relativement
acceptable et atteindre ses performances de détection.
Figure II.2 — Coopération des radios cognitives sous l’effet d’ombre et l’effet mul-
titrajets
Il existe deux types de technique coopérative [57, 58], qui sont les suivants :
— Technique coopérative centralisée : Ce modèle possède un noeud central AP

(Access Point) qui collecte les résultatsdu sondage spectral de chaque radio,après
28
avoir détecté la présence /absence du signal primaire, par la suit cette décision est
retransmise à toutes les autre radios.
— Technique coopérative distribuée : Cette technique permet à chaque radio de

prendre sa propre décision, avec l’aide de l’information collecté des radios adjacentes
sans passer par un noeud central.
II.5.2 Technique de détection du récepteur primaire
Cette technique repose sur la détection du récepteur primaire contrairement a la technique

conventionnelle, qui détecte l’émetteur, l’utilisateur secondaire (US) exploite la puissance
dissipée par l’oscillateur local qu’on trouve dans le récepteur, afin d’identifier le canal
occupé. Cette technique est utilisée pour les récepteurs TV.
II.5.3 Techniques non-coopératives.
L’application non coopératif de détection du spectre peut affecter les performances du

réseau radio cognitive en termes de probabilité de détection et la probabilité de fausse
alarme Pfa, en particulier lorsquele SNR reçu est faible.
II.6 Méthodes de détection non aveugles
II.6.1 Détecteur de filtre adapté (Matched Filter Detector-MFD)
Cette technique vise à maximiser le rapport signal-bruit reçu pour les canaux AWGN. Le
détecteur est donc connu pour être un détecteur cohérent optimal [36, 37], cette méthode
basée sur le MFD ne peut être utilisée que lorsque le US a des informations sur les
différents paramètres de la mise en oeuvre physique de l’utilisateur principal, mais aussi
sur la structure physique du signal primaire ( comme : type de modulation ,la fréquence
porteuse ,la bande passante,ou même la forme d’impulsion ).
Le détecteur MFD peut être mise en oeuvre en utilisant, un signal pilote qui représente
l’information à priori du signal primaire, puis cette séquence est corrélée avec le signal
reçu, comme l’illustre la figure II.3
Cette corrélation est noté TM F D , sera comparé avec le seuil λ la décision est prise à partir
de la formule suivante :
29
Figure II.3 — Implémentation d’un détecteur à filtre adapté (MFD)
N
X −1
TM F D = x(n)y ∗ (n) TH
H0 γ
1
(II.7)
n=0
le seuil est calculé à partir de la probabilité de fausse alarme (Pfa). D’après [20, 21],
Le test statistique TM F D suit une loi de distribution gaussienne. donc sous l’hypothese
H0 on a
H0 : TM F D ∼ N (0, ση2 γ) (II.8)
et sous l’hypothese H1
H1 : TM F D ∼ N (γ, ση2 γ) (II.9)
ou
−1
NP
γ = y(n)2
n=0
Pour la probabilité de détection et de fausse alarme sont données par [15, 18] :
!
λ−γ
PDM F D = P r (TM F D > λ; H1 ) = Q p 2 (II.10)
γση
!
λ
PFMAF D = P r (TM F D > λ; H0 ) = Q p 2 (II.11)
γση
30
Avec : Q(.) Fonction cumulative complémentaire d’une distribution normale

Chaque fois qu’un vrai pic de corrélation apparaı̂t, le détecteur suppose qu’un signal
primaire est présent. Dans le cas contraire, une bande vacante est revendiquée [87]. La
plupart des systèmes de réseau sans fil ont des pilotes, des préambules, des signaux de
synchronisation, ou certains codes d’étalement qui permettent une détection cohérente.
Le MFD compte des avantages comme la performance de détection optimale, maximise le
SNR reçu, de plus est nécessite un temps minimal pour obtenir un gain élevé de traitement,
sans oublier que cette méthode requière un nombre réduit d’échantillons pour des SNR
très faibles ce qui se traduit par temps de sondage minime.
Les inconvénients majeurs de cette technique résident dans le fait qu’il faut connaitre
préalablement le réseau primaire. Ainsi que la complexité du calcul qui dépend du réseau
primaire. De plus, dans ces cas, l’US exigerait un filtre adapté dédié pour chaque signal qui
pourrait être présent dans l’environnement considéré, conduisant à des coûts prohibitifs
et une grande complexité de mise en oeuvre[16], de plus ce genre d’architecture n’est pas
évolutif.
II.6.2 Détecteur de cyclo stationnarité
Les signaux ont une particularité statistique appelée cyclo stationnarité qui est observée
à travers leurs paramètres statistiques qui sont causés par les trains d’impulsions, les
préfixes cyclique τ , et qui varient périodiquement dans le temps avec une période appelée
périodecyclique. Donc dans cette méthode l’autocorrélation prend tout son sens, appelé
autocorrélation cyclique Rxx (t, τ ),elle est utilisé à partir du signal d’entrée. Pour un signal
cyclo stationnaire, la fonction d’autocorrélation cyclique prend des valeurs non nulles à
certaines fréquences cycliques non nulles. Comme le bruit est supposé blanc et stationnaire
(donc il n’est pas cyclo stationnaire), sa fonction d’autocorrélation cyclique prend des
valeurs nulles sur toutes les fréquences cycliques non nulles. Elle se calcule par application
de la Transformée de Fourrier Rapide (FFT). [66, 67, 68]
Rxx (t, τ ) = E[x(t)x∗ (t + τ )] (II.12)
∞
X
Rxx (t, τ ) = Rxx (α, τ )ej2Παf τ (II.13)
α=−∞
Ou : α est la fréquence cyclique et Rxx (t, τ ) appelée fonction d’autocorrélation cyclique

(FAC).
31
La figure II.4 illustre l’implémentation de cette technique :
Figure II.4 — Implémentation d’un détecteur basé sur la cyclo stationnarité
La densité spectrale de corrélation(DSC) du signal est calculée par FFT du CAF comme
suivant :
Z ∞
α
SX (f ) = Rxx (α, τ )e−j2Παf τ (II.14)
τ =−∞
La fonction DSC est une fonction à deux dimensions (fréquence et fréquence cyclique α)
Cette fonction DSC est utilisée selon deux hypothèses H0 et H1 comme suit :

 Sηα (f ) H0
Syα (f ) = (II.15)
 S α (f ) + S α (f ) H1
x η
Sωα (f ) est la densité spectral de corrélation (DSC) du bruit et Sxα (f ) DSC du signal pri-
maire. Il est démontré que le bruit n’est pas un processus cyclostationnaire par conséquent
sa fonction SCD est nulle pour α 6= 0. Dans le cas de la détection d’une composante cy-
clique pour α 6= 0, un signal est présent (Hypothèse H1 ).
Cette méthode ne nécessite aucune connaissance sur le bruit, et a montré ses preuve et a
donné une bonne performance à faible SNR mais elle nécessite la connaissance du ou des
signaux à détecter, sans oublier l’inconvénient de sa complexité pour sa réalisation.
II.7 Méthodes de détection aveugles
II.7.1 Détecteur d’énergie (ED)
Contrairement aux autres techniques, le détecteur ED est le plus simple et le plus utilisé
dans la littérature. ED peut être appliquée pour tout type de signal, et ne nécessite aucune
information sur les signaux reçus(appelé méthode aveugle) et il fournit une complexité de
32
calcul relativement faible [13] [14]. En réalité, lorsque la détection est entamée, ED sera
la première approche qui vient à l’esprit puisque la détection est significativement liée à
la détection de la puissance du signal de l’utilisateur principale.
La figure II.5 illustre l’implémentation de cette technique :
Figure II.5 — Implémentation d’un détecteur d’énergie
ED permet de nombreuses approches de détection pour fonctionner dans différents en-

vironnements et conditions de mise en oeuvre. Cependant, cette technique présente les
inconvénients suivants :
1. Le seuil λ dépend du niveau de puissance du bruit : Une incertitude dans la mesure de
la puissance du bruit va fausser l’estimation du seuil de décision et ceci va dégrader
les performances du détecteur.
2. Ne discerne pas entre le signal de l’utilisateur primaire et ceux des autres utilisateurs
secondaires qui partagent le même canal.
3. Pour des rapports signal sur bruit (SNR) très faibles, une infinité d’échantillons sont
requis pour la détection ce qui rend la technique impraticable. Cette méthode sera
développée d’avantage dans la section (III.2).
En raison de ces avantages prometteurs, la recherche propose de nombreuse l’étude,
et cela dans différentes conditions de canal.
II.7.2 Détection basée sur la décomposition en valeurs propres
Cette technique est basée sur la décomposition en valeurs propres de la matrice de co-
variance (EVD), puis on exploite les propriétés de ces valeurs pour décider la présence
du signal ou de son absence [29][30]. Si le signal reçu présente que du bruit dans ce cas,
toutes les valeurs propres seront égales et équivalentes à la puissance du bruit, dans le
cas où le signal primaire est présent, il introduit un certain degré de corrélation dans la
matrice de covariance ce qui veut dire que lorsque le signal primaire apparait comme un
bruit blanc dans ce cas le détecteur ne peut pas le détecter.
33
Cette technique est aveugle mais son inconvénient est la complexité de calcul de la
décomposition en valeurs propres de la matrice de covariance.
Il existe trois algorithmes basés sur la décomposition en valeurs propres [29][33], dont le
détail est donné dans la setion suivante.
1. Détection basée sur la moyenne arithmétique et géométrique AGM :

Cette technique permet de calculer le rapport entre la moyenne arithmétique et
géométrique des valeurs propres. Cette dernière est introduite pour la première fois
pour estimer le nombre de signaux d’utilisateurs primaires, par la suite elle a été
étendue pour le sondage du spectre.
Le test statistique est donné par l’équation suivante :
QL
λi
AAGM = i=1
L
TH
H0 ζEM E
1
(II.16)
P
λi
i=1
λi : est les valeurs propre de la matrice de covariance du signal reçu ;

2. Détection basée sur le rapport de l’énergie et la valeur propre minimale
EME :
Cette methode est basée sur le calcul du rapport d’énergie du signal reçu et la valeur
propre minimale.
Le test statistique est donné par l’équation suivante [67] :
A(N ) H1
AEM E = T ζEM E (II.17)
λmin H0
Avec :
A(N ) : est l’énergie estimée du signal reçu ;
λmin : est la valeur propre minimale de la matrice de covariance du signal reçu ;
ζEM E : est le seuil de détection.

La probabilité de détection pour cet algorithme est donnée par la formule suivante :
 
γ− (σs2 + ση2 )
PDEM E = P r (A(N ) ≥ λmin ζEM E ; H1 ) = Q  q  (II.18)
2
MN
(ση2 )2
34
Et la probabilité de fausse alarme est exprimée sous la forme ci-dessous :
γ − (σs2 + ση2 )

PfEM
a
E
= P r (A(N ) ≥ λmin ζEM E ; H0 ) = Q √ (II.19)
2N
Le test statistique est comparée à un seuil de détection ζM M E [25][30], calculées à

partir de (III.19) en tant que :
√
N 2
ζEM E = √ √ (1 + √ Q−1 (PF A )) (II.20)
( N − M L)2 MN
3. Détection basée sur le rapport entre la valeur propre minimale et maxi-

male MME :
Elle est basée sur le rapport entre la valeur propre maximale et la valeur minimale.
Le test statistique s’écrit
λmax H1
AM M E = T ζM M E (II.21)
λmin H0
la probabilité de fausse alarme est exprimée sous la forme ci-dessous :
PfMa M E = P r (λmax ≥ λmin ζM M E ; H0 ) (II.22)
Le test statistique est comparée à un seuil de détection ζM M E , calculées à partir de

(II.22) en tant que :
√ √ √ √ −2
( N + M L)2 ( N + M L) 3 −1
ζM M E = √ √ (1 + 1 F1 (1 − Pf a )) (II.23)
( N − M L)2 (M N L) 6
Avec : F1(.) est la fonction de distribution de Tracy-Widom (TW) de premier

ordre.
II.8 Comparaison entre les differentes techniques
Chaque détecteur présente des avantages et des inconvénients pour la détection du signal.
Pour dire qu’une détection spectrale est performante ; elle a besoin certaines exigences
comme :
35
— Temps d’exécution : On cherche qu’il soit le plus court possible.
— Rejet du bruit : la bonne méthode est celle qui représente une grande immunité
contre le bruit.
— Informations à priori : la quantité d’information nécessaire pour faire la détection

pour une RC doit être minimale.
— Complexité calculatoire : une bonne capacité de calcule est demandée pour

détecter le signal.
— Rejet des interférences : qui dépend du degré de connaissance que l’on dispose
sur le bruit ou/et le signal.
Le tableau ci-dessous résume une comparaison entre les aspects de ces méthodes.
Table II.1 — Evaluation de différentes techniques de détection spectrale [66].

Temps bruit Infor Complexité interférences
Détection d’énergie (ED) Excellent Moyen Elevé N Elevé
Filtre Adapté (MFD) Elevé Faible Rien N Faible
Cyclostationnarité (CSD) Faible Elevé Moyen N 2 + O(N log(N )) Elevé
Détection valeurs propres Moyen Elevé Rien N L2 + O(L3 ) Faible
On considère le bruit comme un bruit stationnaire blanc gaussien et on disposede connais-

sances suffisantes sur le signal, alors on peut envisager l’utilisation du filtrage adapté à
la forme du signal attendu. Toutefois, ne connaissant rien du signal attendu, ce procédé
n’est donc pas envisageable ici. Donc il y a des autres méthodes qui ne nécessitent pas des
informations préalables sur le signal (forme d’onde,...etc.) comme la détection d’énergie
(ED) et aussi la détection à base des valeurs propres (EBD) qui a l’avantage de n’exiger
aucune connaissance du signal à détecter.
En conclusion, les méthodes qui offre des meilleures performances sont bien la méthode
basée sur les valeurs propres en second degré de détection d’énergie.
La figure (II.6) représente la précision de chacune des techniques en fonction de la com-
plexité de la conception et de l’implémentation.
36
Figure II.6 — Comparaison entre les techniques de détection spectrale.
II.9 Evaluation des performances
Les figures II.7 et II.8 montrent la Pd par rapport au SNR à un taux de fausse alarme
constant pour les trois détecteurs de détection (ED, MME et EME). A partir de ces
courbes, nous montrons que l’ED a perdu sa capacité de détection lors de la diminution
du SNR. Pour un SNR suffisamment faible, une détection robuste devient impossible.
Ces résultats proviennent du fait que l’analyse théorique des algorithmes ED suppose que
la variance du bruit est connue et que le bruit sous-jacent a une distribution gaussienne
stationnaire parfaite. D’autre part, nous constatons que si la connaissance des paramètres
du signal est fournie, le ED peut toujours effectuer une haute probabilité de détection.
Les résultats de figure II.8 présent les courbes en termes de Pd en fonction de SNR.
Tous les détecteurs fonctionnent à une condition Pfa = 0.05. A partir de ces courbes,
On remarque que la technique MME donne des meilleurs résultats en respectant le même
SNR sur l’intervalle [-25 0] dB . Pour SN R > −12 dB, la technique de détection MME
est mieux que la technique de détection EME.
Donc la technique MME est robuste pour des faibles SNR ; par contre la technique ED
est très sensible aux faibles valeurs de SNR qui influe directement sur la probabilité de
détection.
37
Figure II.7 — Comparaison des performances des techniques de détection EME et

MME.
Figure II.8 — Comparaison des performances des techniques de détection ED et

MME.
38
II.10 Conclusion
Dans ce chapitre, nous avons traité la fonction la plus importante dans la radio cognitive,
qui est le sondage spectral ; pour cela, nous avons classifié plusieurs techniques de son-
dage largement utilisées et citées en littérature, nous nous sommes aussi intéressé à leurs
caractéristiques, avantages et limites.
Ces méthodes sont fondées sur un test d’hypothèse binaire, sur le signal reçu. La première
hypothèse H0 stipule que le signal reçu est composé uniquement de bruit et la bande est
alors déclarée libre. La seconde hypothèse H1 stipule que le signal reçu est composé à
la fois de bruit et de signaux de télécommunications correspondante ainsi à une bande
occupée.
Dans des environnements variables dans le temps, les performances des détections vont
être différentes et pour certains ils sont largement inférieurs. Mais il reste que les méthodes
qui offrent des meilleures performances sont :
— détection basée sur les valeurs propres : Performance de détection fiable et robustesse
au bruit. Suivit par le
— détection d’énergie : Faible complexité et sa facilité de mise en oeuvre.
Pour rallier les avantages des deux détecteurs, les chercheurs ont conçu la détection basée
sur la valeur propre minimale EME (Energy Minimum Eigenvalue) et le détecteur l’énergie
du signal, sur lequel nous allons nous intéresser dans le prochain chapitre.
Le chapitre suivant présente en détail le procédé de synthèse des échantillons et les tech-
niques de caractérisation de détecteur l’énergie.
39
Chapitre III
DÉTECTION D’ÉNERGIE AVEC

L’ESTIMATION DE L’INCERTITUDE DE
BRUIT
Chap III : Détecteur ED avec l’estimation de l’incertutide de bruit
III.1 Introduction
Du fait de l’importance de la détection du spectre pour la radio cognitive ; de nombreux

algorithmes de détection du spectre ont été proposés ces dernières années. Ceci dans le but
d’améliorer les performances du détecteur. Dans ce chapitre, nous présentons une étude
de simulations des algorithmes de détection du spectre basés sur la détection d’energie.
Ces détections peuvent être utilisées pour différentes applications de détection de signal
sans aucune information préalable de signal ou de bruit.
Afin d’évaluer les performances des techniques de détection de spectre. La détection du
spectre à long terme est l’une des tâches les plus importantes d’une radio cognitive. Il est
utilisé pour détecter le spectre inutilisé et permettre ainsi l’utilisation de ces bandes pour
la communication sans licence.
Puis nous allons nous intéresser à une nouvelle approche de l’algorithme de détection
d’énergie amélioré en fonction de seuil dynamique. Comme nous le savons, la détection
d’énergie est l’approche populaire préférée en raison de sa simplicité et son applicabilité.
Elle est basée sur le seuil fixé ; elle est sensible à l’incertitude du bruit qui est inévitable
dans les cas pratiques. Afin d’améliorer les performances, dans l’approche du detecteur
d’energie avec seuil dynamique (Energy detection with dynamic Threshold-EDDT), les
seuils dynamiques sont évalués en fonction du facteur d’incertitude de bruit qui peut être
estimé en utilisant l’énergie obtenue en ré-échantillonnage signal reçu à travers une fenêtre
coulissante.
III.2 Technique de détection d’énergie (ED)
III.2.1 Principe de la détection d’énergie (ED)
Pour une ED [23, 24, 25] , le carré absolu du signal reçu x(n) est calculé et en moyenner
sur une période de temps, comme suit :
N −1
1 X
TED = x(n)2 TH
H0 γ
1
(III.1)
N n=0
III.2.2 Détecteur ED pour un canal AWGN
En supposant que pour une grande valeur de N , Sur la base de cette observation, le
théorème central limite peut donc être utilisé pour rapprocher la statistique de test gaus-
41
sienne [15][22] alors TED est distribué sous H0 et H1 , respectivement comme suit :

 N (σ 2 , 2 σ 4 )
η N η
T∼ (III.2)
 N (σ 2 + σ 2 , 2 (σ 2 + σ 2 )2 )
s η N s η
Les performances d’un tel détecteur sont évaluer par le calcule deux paramètre qui sont
la probabilité de détection et la probabilité de fausse alarme, qui est obtenue sur la base
des statistiques de TED suivant :
 
γ − (σs2 + ση2 )
PDED = P r (TED ≥ γ; H1 ) = Q  q  (III.3)
2 2 2 2
N
(σs + ση )
 
γ− ση2
PFED
A = P r (TED > γ; H0 ) = Q
q  (III.4)
2 4
σ
Ns η
L’énergie moyenne mesurée est comparée à un seuil de détection fixe γ [15][21], calculées
à partir de (III.4) en tant que :
r
2
ση2 (1 )Q−1 PFED

γ= + A (III.5)
Ns
Où Q(.) représente la fonction Q gaussienne.
La figure III.1 représente la courbe ROC du détecteur d’énergie.
La première courbe illustre la probabilité de détection Pd en fonction de la probabilité de
fausse alarme Pfa en se basant sur une distribution exacte de Chi-deux.
D’autre part, les probabilités Pd et Pfa sont estimées sous Matlab en utilisant la simu-
lation Monte-Carlo et en se basant sur Approximation d’une distribution Chi-deux par
gaussienne [15][18].
III.2.3 L’incertitude du bruit
D’après l’équation (III.5), on tire le seuil γ en fonction du PFED ED

A et en fonction de PD et
par égalisation on aura une expression du nombre d’échantillons N donnée comme suit :
N = 2[Q−1 (PFED −1 ED 2
A ) − Q (PD )(1 + SN R)] (SN R)
−2
(III.6)
42
Figure III.1 — Approximation d’une distribution Chi-deux par gaussienne pour

un détecteur ED.
Pour une PFED

A fixe, selon l’équation (III.6), on constate que pour assurer une performance
bien définie en terme de probabilité de détection, pour les faibles SN R, on doit augmenter
le nombre N car le premier terme varie peu par rapport au deuxième terme (SN R)−2 ,
donc N ≈ (SN R)−2 ce qui donne pour des SN R trop petits SN R ≈ 0 on doit collecter
une infinité d’échantillons N ≈ ∞ pour assurer les performances voulues [72].
Analysant maintenant le cas où la puissance du bruit varie dans une plage σ 2 ∈ [ ρ1 ση2 , ρση2 ],
avec ρ > 1 est le facteur d’incertitude du bruit qui est très proche de 1. Pour calculer la
PDED et la PFED
A , on considère le cas le plus défavorable, c-à-d :
 
γ− (σs2 2
+σ ) 
PDED = P r (TED ≥ γ; H1 ) = min Q q
2
|{z}
σ 2 ∈[ ρ1 ση2 ,ρση2 ] N
(σs2 + σ 2 )2
 
2 1 2
γ − (σs + ρ ση )
= Q q  (III.7)
2 2 + 1 σ 2 )2
N
(σ s ρ η
   
γ−σ  2 γ− ρση2
PFED
A = P r (TED > γ; H0 ) = max Q q = Q q  (III.8)
|{z} 2 4 2 2
1
σ 2 ∈[ ση2 ,ρση2 ] Ns
σ Ns
ρσ η
ρ
D’après cette équation (III.8), par élimination du seuil γ des deux expressions, on aura N
en fonction de la PFED ED
A et la PD :
43
N = 2[ρQ−1 (PFED −1 ED 2
A ) − Q (PD )(1/ρ + SN R)] (SN R − (ρ − 1/ρ))
−2
(III.9)
Par comparaison à l’équation (III.6) et en fixant les performances PFED ED

A et PD , sachant
que ρ ≈ 1, il est clair que les premiers terme des équations (III.6) et (III.9) est presque le
même pour un faible SNR, les deuxièmes termes (SN R)− 2 et (SN R − (ρ − 1/ρ))−2 des
deux équations III.6) et (III.9), respectivement ne sont plus les mêmes sous les mêmes
conditions (SN R ≈ 0 et ρ ≈ 1).
Ce qui veut dire pour assurer les mêmes performances à un SNR = 0.1 = -10 dB, il nous
faut une infinité d’échantillons (N ≈ ∞), ce qui devient pratiquement impossible. Ce
SNR s’appelle en littérature le SNR-WALL [72][73].
La figure (III.2) montre l’effet d’incertitude du bruit sur les performances d’un détecteur
ED pour Pd = 0.95 et Pfa = 0.05.
Figure III.2 — Effet d’incertitude du bruit sur les performances d’un ED.
III.2.4 Le seuillage dynamique
Dans [78], Guicai Y et al ont proposé une méthode pour éliminer l’effet d’incertitude
du bruit ; pour cela, ils ont opté pour un seuillage adaptatif, c-à-d pour un bruit qui
varie dans une plage bien définie σ 2 ∈ [ ρ1 ση2 , ρση2 ], on doit varier le seuil aussi dans une
44
0 0
plage γ ∈ [ ρ1 0 γ, ρ γ] pour compenser cette incertitude. Alors les équations (III.7) et (III.8)
devient :
   
10
0
(σs2
γ − 2
+σ ) ρ
γ − (σs2 + ρ1 ση2 )
PDED = P r (TED ≥ γ; H1 ) = min min Q q = Q q 
|{z} |{z} 2 2 2 1 2 2
γ 0 ∈[ 1 0 γ,ρ0 γ]σ 2 ∈[ 1 ση2 ,ρση2 ] N
2 2
(σs + σ ) 2
N
(σs + ρ ση )
ρ ρ
   
0 0
2
γ −σ  ργ− ρση2
PFED
A = P r (TED > γ; H0 ) = max max Q q = Q q  (III.10)
2 4 2
ρση2
|{z} |{z}
γ 0 ∈[ 1 0 γ,ρ0 γ]σ 2 ∈[ 1 ση2 ,ρση2 ] Ns
σ Ns
ρ ρ
0
Avec : ρ ≈ 1
D’après cette équation, par élimination du seuil γ des deux expressions, on aura N en
fonction du Pfa et Pd :
0
ρ ED 0 2 0 ρ ρ −2
N = 2[ 0 Q−1 (PFED −1
A ) − Q (PD )ρ (1/ρ + SN R)] (ρ SN R − ( 0 − )) (III.11)
ρ ρ ρ
0
0 0 0
lorsque ρ = ρ ≈ 1 ; ρ (1/ρ + SN R)]2 ≈ 1 + SN R ; et ((ρ SN R − ( ρρ0 − ρρ ))−2 = (SN R) − 2,
ceci nous ramène aux performances du cas d’un bruit à une puissance fixe [78][79].
Figure III.3 — Performances du seuillage dynamique.
La figure (III.3) présente les performances d’un ED en termes de la Pd en fonction de

SNR pour une PFED
A = 0.1.
45
D’après les résultats obtenus, on remarque que les performances s’améliorent de plus
en plus que la plage du seuil augmente, prenant par exemple le cas où il n y a pas
0
d’incertitude (ρ = ρ = 1) comme référence, pour un SNR = -5 dB, la probabilité de
détection P d w 0.77.
Comparant cette valeur avec le cas où l’incertitude est maximale (ρ = 1.08) et y a pas de
0
seuillage dynamique (ρ = 1), donc P d w 0.42, ce qui fait un écart de 0.35 ce qui est très
énorme.
III.3 Nouvelle technique de détection de spectre basée sur la détection

d’énergie moyenné
Pour dépasser les limites du système CED, une nouvelle méthode de détection du spectre
est proposée basée sur la détection de l’énergie. Dans cette nouvelle méthode, on calcule
la moyenne d’une liste contenant les L valeurs statistiques de test de ré-échantillonnage
du signal reçu. En utilisant cette idée, il faut calculer d’abord le rééchantillonnage des
signaux reçus par une fenêtre glissante, puis calculez la puissance d’échantillonnage de
chaque signal de rééchantillonnage obtenu.
cette version améliorée de l’algorithme de détection d’énergie (MEED) peut surmonter
les limitations du schéma de détection d’énergie conventionnel (CED)[52]. Cette nouvelle
technique s’inspire de la technique de bootstrap, Le test statistique est donc calculé par
la moyenne de l’énergie obtenue.
III.3.1 Modèle du système
Considérons le signal reçu x(n), n = 1, 2, ..., N avec N est le nombre totale des
échantillons, puis on sur-échantillonne ce signal avec un facteur M noté comme suit :
x(n) = [x1 (n), x2 (n), ..., xM (n)]T . Ensuite, on choisit un facteur de lissage noté L pour
composer le signal yi (n), telque :
yi = [x(iM − M + 1), x(iM − M + 2), ..., x(iM − M + (N + M L + 1))]T (III.12)
La description détaillée de la méthode est présentée ci-dessous (figure III.4 ).
46
Figure III.4 — Segment de détection en utilisant des blocs glissantes.
Étapes d’implémentation de la technique MEED :

— Étape 1 : Calculez les energies de chaque signal obtenu aprés rééchantillonnage,
Ti ∈ [T1 , T2 , ..., TL ] et Ti donné comme suit
−L+1
NsX
1
Ti (yi ) = yi (n)2 (III.13)
Ns − L + 1 n=1
— Étape 2 : Calculez le test statistique comme suit :
L
1X
T avg (Ti ) = Ti (yi ) TH
H0 γavg
1
(III.14)
L i=1
où T avg (Ti ) est la valeur moyenne de test statistique.

— Étape 3 : Calculer le seuil de décision γavg comme suit :
r
2
ση2 (1 )Q−1 PFMAEED

γavg = + (III.15)
NL L
— Étape 4 : Jugez l’état de l’utilisateur primaire. Si T avg (Ti ) ≥ γavg le signal primaire
est présent sinon il est absent.
47
III.3.2 Probabilité de détection et de fausse alarme :
Les valeurs des test statistiques Ti (yi ) peuvent être supposées normalement distribuées.
Par conséquent, T avg (Ti ) est la moyenne de variables aléatoires gaussiennes indépendantes
et identiquement distribuées (i.d.d.), elle est également normalement distribuée.
T avg (Ti ) ∼ N (uavg , σavg

2
) (III.16)
2
ou uavg et σavg sont donnés par

 ση2 H0
uavg = (III.17)
 σ2 + σ2 H1
s η

2
2
 σ2
NL L η
H0
σavg = 2(σs2 +ση2 )
(III.18)

NL L
H1
ou NL = N − L + 1 est la valeur des échantillons pour chaque nouveau signal.

on se basant sur la distribution T avg (Ti ), la probabilité de détection et la probabilité de
fausse alarme de la méthode MEED est comme suit
 
γavg − uavg H1 
PDM EED = Pr (T avg (Ti ) ≥ γavg ; H1 ) = Q  q (III.19)
2 2 H )2
NL L
(σavg 1
 
γavg − uavg H0 
PFMaEED = Pr (T avg (Ti ) ≥ γavg ; H0 ) = Q  q (III.20)
2 2 H )2
NL L
(σavg 0
donc le seuil de decsion γavg est donné par :
r
2
ση2 (1 )Q−1 PFMAEED

γavg = + (III.21)
NL L
III.3.3 Analyse des résultas
Dans cette section, on effectuée une simulation pour évaluer les performances de
la détection à travers la version améliorée de détecteur d’énergie (MEan Energy
48
Detection-MEED) qui est définie en termes de nombre d’échantillons, de facteur de ré-

échantillonnage et de probabilité souhaitée de fausse alarme. Tous les résultats de simu-
lation sont obtenus en faisant la moyenne d’une séquence modulé en (BPSK).
1. Evaluation de l’impact des nombres d’échantillons N et le facteur de ré-

échantillonnage L sur la détection :
Les figures III.5 et III.6 représentent les résultats de simulation obtenus en faisant
varier respectivement le nombre d’échantillons et le facteur de rééchantillonnage. La
figure III.5 montre le résultat de la simulation en termes de probabilité de détection
en fonction du SNR pour Pfa fixe = 0,1 et L = 8 avec un nombre d’échantillons de
100, 250, 500 et 1000. On peut voir qu’ en augmentant le nombre d’échantillons, la
probabilité de détection s’améliore également.
Figure III.5 — Les courbes de probabilité de détection en fonction du SNR pour

différentes valeurs d’échantillons N .
A partir de la figure III.6, et sur la base de l’équilibre entre la complexité et la

performance, la valeur de L=8 est choisie comme valeur optimale pour le MEED.
49

différentes valeurs de L .
2. Comparaison des résultats entre MEED analytique et simulé :
La figure III.7 fournit les résultats de detection de MEED analytique et simulé de

algorithme proposé pour les conditions L=8, N=100. cela montre que les résultats
sont correspondent.
3. Comparaison des performances entre CED et MEED :
La figure III.8 illustre une comparaison des performances entre les deux détecteurs
CED et MEED, dans le cas ou L= 8 et N = 100 échantillons du signal reçu pour
chaque détecteur. D’après les courbes, on peut facilement observer que la probabilité
de détection pour l’algorithme proposé est beaucoup plus élevé que l’algorithme
traditionnel pour des faibles valeurs du SNR.
50
Figure III.7 — Les résultats de détection de MEED analytique et simulé .
Figure III.8 — Comparaison des performances entre CED et MEED .
51
III.4 Nouvelle Approche de Détection d’energie avec un seuil adapatative
III.4.1 Technique proposée
Pour surmonter les limites du système CED, une autre nouvelle algorithme de détection
d’énergie avec un seuil dynamique est introduit EDDT [115]. L’algorithme proposé prend
en compte l’effet d’incertitude du bruit lors de la prise de décision finale sur l’état actuel du
PU, ce qui se traduit par un détecteur d’énergie robuste avec de meilleures performances
de détection que le détecteur d’énergie conventionnel.
A partir de Eq. (III.3) et Eq. (III.4), on peut augmenter/diminuer de maniere extrêmement
la valeur de Pd/Pfa en diminuant/augmentant dynamiquement la valeur de seuil, respec-
tivement. En utilisant cette idée, calculez d’abord les signaux reçus rééchantillonnés par
une fenêtre glissante, puis calculez la puissance pour chaque signal obtenu. La description
détaillée de la méthode est présentée ci-dessous.
le facteur d’incertitude du bruit ρ peut être estimé comme suit [78][79] :
|{z} (Ti (yi ))

max
1≤i≤L
ρ= (III.22)
min (Ti (yi ))
|{z}
1≤i≤L
Par conséquent, le seuil dynamique pour la détection d’énergie est devenu comme suit :

 γ
dyn1 = ργED H0
γnew = (III.23)
 γdyn2 = γED H1
ρ
finalement, en comparant le seuil T EDDT avec le nouveau γnew , et on jugez l’état de

l’utilisateur primaire come suit :

 T EDDT ≤ γ H0 (l’utilisateur primaire absent)
dyn2
(III.24)
 T EDDT ≥ γdyn1 H1 (l’utilisateur primaire present)
la probabilité de détection est donnée par la forme suivante :

 
2 2
γdyn1 − (σ s + σ )
η 
PDEDDT = P r (TEDDT ≥ γdyn1 ; H1 ) = Q  q (III.25)
2
N
(σs2 + ση2 )2
la probabilité de Fausse alarme est donnée comme suit :
52
 
γdyn2 − ση2
PFEDDT
a = P r (TEDDT ≤ γdyn2 ; H0 ) = Q  q  (III.26)
2
N
(ση2 )2
L’algorithme 1 montre les détails de Détecteur d’energie avec seuil dynamique EDDT.
Algorithm 1 Détecteur d’energie avec seuil dynamique EDDT

Step 1. reçu N échantillon du signal xN = (x[1], x[2], . . . , x[N ])
Step 2. Ré-échantillonner le signal reçu avec L facteur de lissage
yi = (x[i]x[i + 1] . . . x[i + N + L + 1])
Step 3. Calculer l’énergie Ti (yi ) avec N − L + 1 nombre d’échantillons.
Step 4. Calculer Tmin le minimum de [T1 (y), T2 (y), ..., TL (y)]
Step 5. Calculer Tmax le maximum de [T1 (y), T2 (y), ..., TL (y)]
Step 6. Estimation de facteur d’incertitude du bruit
|{z} (Ti (yi ))

max
1≤i≤L
ρ=
min (Ti (yi ))
|{z}
1≤i≤L
Step 7. Calculer le seuil dynamique

 γ
dyn1 = ργED H0
γnew =
 γdyn2 = γED H1
ρ
Step 8. Jugez l’état de l’utilisateur primaire

 T EDDT ≤ γ H0 (l’utilisateur primaire absent)
dyn2
 T EDDT ≥ γdyn1 H1 (l’utilisateur primaire present)
III.4.2 Evaluation des performances et discussion
III.4.2.1 Evaluation de l’impact des nombre d’échantillons et du facteur de

lissage
Dans cette partie nous allons étudier l’effet des différents paramètres N et L, qui
représentant respectivement le nombre d’échantillons et le facteur de lissage ; qui sont
53
des paramètres utilisés pour le calcul du seuil. Et cela pour différente technique basée sur
la detection d’energie.
- Effet du nombre d’échantillons N : La figure III.9 représente des résultats de la si-
mulation obtenue, pour évaluer l’impact du nombre des échantillons N, en termes
de probabilité de détection en fonction du SNR pour Pfa =0.05 et L = 6 fixe à
250,500,750 et 1000 nombre d’échantillons ; On peut constater qu’en augmentant le
nombre des échantillons, la probabilité de détection s’améliore également ; cepen-
dant il est préférable d’avoir un nombre limité d’échantillons par souci de temps
de détection, ce dernier étant un paramètre primordial pour la radio cognitive, qui
doit avoir une durée finie et limitée dans le temps. Mais pour des faibles valeurs du
SNR, en augmentant le nombre d’échantillons on remarque que la probabilité de
détection augmente par la même occasion, cela implique qu’une détection parfaite
(Pd=1) peut être obtenue à des faibles SNR avec un nombre élevé d’échantillons.
0.9
0.8
0.7
Probability of detection Pd
0.6
0.5
EDDT N=250
0.4
EDDT N=500
EDDT N=750
0.3
EDDT N=1000
0.2
0.1
0
-25 -20 -15 -10 -5 0 5
SNR(dB)

différentes valeurs de N .
54
- Effet du facteur de lissage L : Dans la figure III.10 on teste l’impact de facteur de

lissage, en termes de probabilité de détection en fonction du SNR, pour les valeurs
fixées de Pfa à 0.05 et N=150 échantillons ; les résultats de cette simulation in-
diquent que pour des valeurs élevées de L (3 ,8 ,15 et 20) ; la probabilité de détection
s’améliore. Il reste que dans le cas réel, on est limité par les valeurs de L, car un
facteur de lissage élevé rend la mise en oeuvre de la technique de détection imprati-
cable et irréalisable. Sur la base de l’équilibre entre la complexité et la performance,
une valeur de L est choisie comme valeur optimale.
A partir des deux courbes (effet de L, effet de N), on peut facilement observer que la
probabilité de détection augmente lorsque le SNR augmente, cela peut s’expliquer
par fait que plus la puissance du signal augmente, plus le processus de détection
est facilité. Donc pour évaluer l’impact des paramètres permettant le calcul du seuil

différentes valeurs de L .
55
par rapport aux performances de la détection, on procède à la variation des valeurs

de ces paramètres pour observer les différents changements.
III.4.2.2 Comparaison des performances entre les deux détecteurs CED et

EDDT
La figure III.11 illustre une comparaison des performances entre les deux détecteurs CED
et EDAT, dans le cas ou L= 8 et N = 150 échantillons du signal reçu pour chaque
détecteur. D’après les courbes, on peut facilement voir que la probabilité de détection
pour l’approuche proposé est beaucoup plus élevé que l’algorithme traditionnel pour des
faibles valeurs SNR.
Figure III.11 — Comparaison des performances entre CED et la méthode proposée

EDDT .
56
III.4.2.3 Evaluation de l’impact de l’incertutide de bruit sur la détection
La figure III.12 montre la robustesse de la méthode proposée pour plusieurs niveaux

d’incertitude de bruit. On peut voir que l’algorithme de détection avec seuil adaptatif
basé sur la détection d’énergie est robuste sous l’incertitude du bruit.
Figure III.12 — Courbes de probabilité de détection en fonction du SNR pour

différentes niveaux d’incertitude de bruit.
III.5 Deuxième approche de Détection d’énergie avec un seuil adaptative
III.5.1 Principe
Dans cette section, nous proposons une deuxième approche de détection de spectre basée
sur la détection d’énergie avec un seuillage adaptative EDAT [114]. L’algorithme pro-
posé permet d’améliorer et de réduire considérablement l’effet d’incertitude du bruit,
et offrent de meilleures performances que celles obtenues avec les techniques classiques
57
existantes dans les mêmes conditions. De plus, plusieurs résultats ont été tirés de cette
phase d’implémentation concernant l’efficacité de la méthode proposée et sa robustesse.
La description détaillée de cette approche est représenté ci-dessous.
le facteur d’incertitude du bruit ρ peut être estimé comme suit [15], [16] :
1
ρ=1+ (III.27)
|{z} (Ti (yi )) − |{z}
max min (Ti (yi ))
1≤i≤L 1≤i≤L
Par conséquent, le seuil dynamique pour la détection d’énergie est devenu comme suit :

 ξ
dyn1 = ρξED H0
ξnew = (III.28)
 ξdyn2 = ξED H1
ρ
finalement, en comparant le seuil T EDAT avec le nouveau ξnew , et on jugez l’état de

l’utilisateur primaire come suit :

 T EDAT ≤ ξ H0 (l’utilisateur primaire absent)
dyn2
(III.29)
 T EDAT ≥ ξdyn1 H1 (l’utilisateur primaire present)
L’algorithme 2 montre les détails de Détecteur d’energie avec seuil adaptative EDAT.
III.5.2 Resultats de simulation et discussion
Dans cette section, les performances de la troisième approche proposée (approche de

détection d’énergie basée sur un seuil dynamique) sont évaluées en termes de probabilité
de détection Pd pour différentes valeurs du rapport signal sur bruit (SNR), du nombre
d’échantillons N, des valeurs de facteur de lissage L, l’impact de l’incertitude de bruit sur
la détection. Les performances de cette approche sont comparées à celles de la méthode
basée sur la ED pour une probabilité de fausse alarme Pfa fixée à 0,1.
Au premier temps, on évalue l’effet du nombre d’échantillons N sur les courbes de la

probabilité de détection Pd de l’approche proposée. Ensuite, on évalue l’effet de facteur
de lissage sur l’approche proposée pour différentes valeurs de L.
D’après la figure III.13, on peut noter que l’augmentation du nombre d’échantillons N

permet d’augmenter les courbes de Pd en fonction de différentes valeurs du SNR. Ceci
58
Algorithm 2 Détecteur d’energie avec seuil adaptative EDAT

Require: N, L ≥ 0
N −L+1
1
yi (n)2
P
Ensure: Ti = N −L+1
n=1
1: while reçu N échantillon do
2: yi ←− Rééchantillonnage du signal reçu
3: Ti ←− Energie du signal Rééchantillonné
4: Tmin ←− minimum de [T1 (y), T2 (y), ..., TL (y)]
5: Tmax ←− maximum de [T1 (y), T2 (y), ..., TL (y)]
1
6: ρ=1+ (Tmax −Tmin )
7: if T EDAT ≤ ξdyn2 then

8: Décision −→ H0
9: else[T EDAT ≥ ξdyn1 ]
10: Décision −→ H1
11: end if
12: end while
s’explique par le fait que l’augmentation du nombre d’échantillons augmente la probabilité

de détection Pd et pour une la probabilité de fausse alarme Pfa fixe.
1 1
0.9 0.9
EDAT N=100
EDAT N=250 EDAT L=3
0.8 0.8 EDAT L=8
EDAT N=500
EDAT N=1000 EDAT L=12
0.7
0.7 EDAT L=15
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
-20 -15 -10 -5 0 -20 -15 -10 -5 0
SNR en dB SNR en dB
Figure III.13 — Pd vs SNR pour différentes Ns Figure III.14 — Pd vs SNR pour différentes L
59
Dans la figure III.14 nous avons tracé les probabilités de détection Pd en fonction de
différentes valeurs du SNR. D’après cette figure on peut noter qu’en augmentant des
valeurs de facteur de lissage L, les probabilités de détection Pd augmentent tout en restant
la probabilité de fausse alarme Pfa fixe.
La figure III.15 illustre les probabilités de détection Pd en SNR de la d’approche proposée

pour différentes valeurs de la probabilité de fausse alarme (Pfa=0.001, Pfa=0.01, Pfa=0.05
et Pfa=0.1. D’après cette figure, on peut noter que l’augmentation des valeurs de la
probabilité de fausse alarme permet augmenter les probabilités de détection Pd d’approche
proposée
1 1
0.9 0.9
EDAT Pfa=0.001
0.8 0.8
EDAT Pfa=0.01
EDAT Pfa=0.05
0.7 0.7
EDAT Pfa=0.1
0.6 0.6
0.5 0.5
0.4 0.4
EDAT rho=1.06
0.3 0.3
EDAT rho=1.04
0.2 0.2 EDAT rho=1.02
EDAT rho=1.00
0.1 0.1
0 0
-20 -15 -10 -5 0 -15 -10 -5 0
SNR en dB SNR en dB
Figure III.15 — Impact des Pfa sur la détection Figure III.16 — Impact de l’incertutide de bruit
La figure III.16 présente la robustesse de la méthode proposé pour plusieurs niveaux d’in-
certitude de bruit. On peut observer que la technique de détection avec le seuil adaptatif
basé sur la détection d’énergie est robuste sous l’incertitude du bruit.
60
III.6 Conclusions
Dans ce chapitre, nous avons vu de nouvelles familles de techniques de détection basées sur
la détection d’énergie, qui sont le détecteur MEED, EDAT et EDDT ; en plus la technique
de détection d’énergie pour le sondage spectral utilisée pour la radio cognitive.
En premier lieu, on a simulé et évalué sous Matlab une dérivée de la méthode classique
ED à travers l’approche de ré-échantillonnage du signal avec une fenêtre glissante. Les
résultats de performances décris par les courbes Pd en fonction du rapport signal sur
bruit (SNR). On a constaté que la méthode proposée est efficace et plus robuste que la
méthode de détection d´énergie (ED).
Par la suite, on a réalisé deux détecteurs reposant sur la détection d’énergie, des expres-
sions analytiques originales de seuillage adaptative de détection sont également dérivées et
utilisées pour la construction d’un algorithme de détection de spectre qui permet améliorer
et de réduire considérablement l’effet d’incertitude du bruit, et offrent de meilleures per-
formances que celles obtenues avec les techniques classiques existantes dans les mêmes
conditions. De plus, plusieurs résultats ont été tirés de cette phase d’implémentation
concernant l’efficacité des deux méthodes proposées et ses robustesses.
Dans cette evaluation, nous avons abordé l’effet des différents paramètres utilisés pour le
calcul du seuil, qui sont le nombre d’échantillons N et le facteur de lissage L, il semble
évident que plus on augmente ces paramètres, meilleure est la probabilité de détection.
Il n’est pas toujours évident de les augmenter et cela pour tous type de détection, par
souci de temps de détection et complexité de réalisation. Sur la base de compromis entre
la complexité et la performance, une valeur de N et L est choisie comme valeur optimale.
61
Chapitre IV
DÉTECTION ROBUSTE DE SPECTRE

BASÉE SUR UNE APPROCHE
BOOTSTRAP
Chap IV : Détection robuste de spectre basée sur une approche bootstrap
IV.1 Introduction
Dans ce chapitre nous allons introduire une autre nouvelle catégorie des techniques de
sondage, en combinant un test de détection d’énergie et des méthodes de rééchantillonnage
basées sur l’approche de bootstrap par moving block. Cette dernière a l’avantage d’être
plus résistante au problème d’incertitude du bruit par rapport à la technique ED. En
d’autres termes, ce sont des techniques non-paramétriques et aveugles qui ne dépendent
pas de la distribution du bruit. Le modèle proposé est appliqué pour surmonter le problème
d’un échantillon de petite taille et pour traiter le problème des statistiques corrélées afin
d’estimer la distribution de test statistique. Cette nouvelle approche ne nécessite aucune
information préalable sur l’environnement et utilise une méthode de bootstrap pour le
rééchantillonnage afin de conserver approximativement les dépendances temporelles qui
distinguent la présence et l’absence du signal. Dans ce qui suit, nous donnons en premier
lieu, la définition du bootstrap, ainsi que son principe. En deuxième lieu, des simulations
ont été réalisées pour comparer les méthodes proposées qui sont basées sur l’approche
bootstrap et la méthode conventionnelle de détection d’énergie.
IV.2 La technique de Bootstrap
IV.2.1 Définition du bootstrap
Schématiquement, le bootstrap est une procédure qui consiste à réaliser par ordina-
teur ce que l’expérimentateur pourrait faire en pratique si cela était possible, c’est à
dire répéter l’expérimentation un grand nombre de fois. Ainsi, avec le bootstrap, de
nouvelles expérimentations ne sont plus nécessaires [80]. En effet, les données dispo-
nibles sont réutilisées. Pour être plus précis, les observations originales sont réaffectées
de manière aléatoire, puis l’estimateur est recalculé. Ces réaffectations et recalcules d’es-
timateurs sont réalisés un grand nombre de fois et sont considérés comme des répétitions de
l’expérimentation. À première vue, cela ressemble à une simulation Monte Carlo, mais ce
n’est pas le cas. En effet, le plus grand avantage du bootstrap comparé avec la méthode
de Monte Carlo réside dans le fait que le bootstrap ne nécessite pas la répétition de
l’expérimentation, contrairement à la simulation Monte Carlo.
D’un autre point de vue, l’idée essentielle de Bootstrap est de simuler autant que possible
des probabilités du monde réel en remplaçant les inconnues par des estimés provenant
63
des données observées. Par conséquent, à partir des simulations du monde bootstrap, des
entités d’intérêt inconnues dans le monde réel peuvent être estimées, comme le montre la
figure IV.1.
Figure IV.1 — L’approche du Bootstrap..
IV.2.2 Le principe du bootstrap
Pour mieux expliquer le fonctionnement du bootstrap, supposons que nous observons

un échantillon X = X1 , X2 , ..., Xn de taille N tiré aléatoirement d’une distribution
complètement inconnue F . Le tirage aléatoire signifie que les Xi sont des variables
aléatoires indépendantes et identiquement distribuées (iid) avec une distribution F
pour chacune d’elles. Soit θ une caractéristique inconnue de F . Par exemple, cette ca-
ractéristique pourrait être la moyenne ou la variance de F . Le problème ici est de trouver
la distribution de θ̂ l’estimateur du paramètre θ dérivé de l’échantillon X. L’objectif est
d’inférer θ en se basant sur θ̂ [81].
Un moyen d’obtenir la distribution de θ̂ consiste à répéter l’expérience plusieurs fois, puis
approximer la distribution de θ̂ par sa distribution empirique obtenue. Cela correspond
à une simulation de Monte Carlo. Cependant, cela n’est pas très applicable en réalité en
raison de nombreuses contraintes telles que le temps, les coûts ou bien les conditions de
l’expérience non reproductible. d’inférer θ en se basant sur θ̂.
Ainsi, le bootstrap suggère qu’il est possible de ré-échantillonner à partir d’une distribution
choisie qui serait proche de F . Cela peut être la distribution empirique de F̂ tel que la
64
mesure de probabilité qui est associée à un ensemble A appartenant au sous-espace de X

une mesure égale à la proportion des valeurs qui sont contenues dans A. En effet, il est
connu que sous certaines hypothèses, F̂ converge vers F quand n −→ ∞ [83].
Alors, le ré-échantillonnage à partir de F̂ est appelé le bootstrap nonparamétrique. Ce
ré-échantillonnage à partir de F̂ est considéré comme le passage du monde réel vers le
monde bootstrap figure IV.2.
Figure IV.2 — Bootstrap non-paramétrique pour l’estimation de la distribution

F̂ (θ̂).
Par conséquent, le principe du bootstrap non-paramétrique est donc : Calculez θ̂ en basant

sur l’échantillon X = X1 , X2 , ..., XN . Ensuite, construire la distribution empirique F̂ . Puis,
effectuer un tirage de l’échantillon bootstrap X ∗ = X1∗ , X2∗ , ..., Xn∗ . Enfin, approximer la
distribution de θ̂ à partir de la distribution de θ̂∗ obtenue de l’échantillon bootstrap X ∗ .
L’estimation de la distribution de F̂ nécessite un grand nombre de répétitions B de la
procédure du ré-échantillonnage du bootstrap non-paramétrique. En effet, un nombre
B d’échantillons bootstrap sont créés X1∗ , X2∗ , ..., XB∗ . Un échantillon bootstrap X ∗ =
X1∗ , X2∗ , ..., Xn∗ est obtenu en effectuant des tirages aléatoires avec remise des éléments de
X telle que chaque Xi∗ a une probabilité de 1/N d’être égal à n’importe quel autre Xj ,
soit :
La figure IV.3 montre un exemple d’approximation de la distribution par le bootstrap. La
taille de l’échantillon original est égale à N = 30 et le nombre de répétitions B = 1000.
65
Figure IV.3 — Exemple de distribution approximée par le bootstrap non pa-

ramétrique.
IV.2.3 Bootstrap paramétrique
Pour définir facilement le bootstrap paramétrique, supposons qu’il existe des informa-
tions sur F . En effet, si on prend l’exemple d’une distribution F Gaussienne, mais avec
des paramètres de moyenne et de variance µ et σ 2 inconnus. En utilisant le bootstrap,
cela suggère que le tirage de l’échantillon bootstrap de taille N se fait à partir d’une
distribution Gaussienne ayant une moyenne µ̂ et une variance σ̂ 2 . Contrairement au cas
non-paramétrique, ces deux paramètres sont estimés à partir des données originales X.
Cette méthode de bootstrap paramétrique a été introduite par [81, 82, 83] et se base
sur la connaissance à priori de la distribution des données originales, d’où l’appellation
paramétrique.
Alors, étant donné un échantillon original X = X1 , X2 , ..., Xn de Fθ , on estime tout
d’abord le paramètre d’intérêt θ qui pourrait être un des paramètres d’une Gaussienne
(si F est Gaussienne). Puis, on effectue le tirage aléatoire de taille n de F̂θ̂ et on répète
cela B. fois
La figure IV.4 montre un exemple de l’histogramme et de la distribution obtenus par
cette approche paramétrique. L’échantillon originale X est pris gaussien avec une moyenne
µ = 3, une variance σ 2 = 25 (N (3, 25)) et un nombre d’échantillon N = 15. Le nombre
de répétitions B est égal à 1000.
66
Figure IV.4 — Exemple d’histogramme de µ obtenus par bootstrap paramétrique.
IV.2.4 Moving Block Bootstrap(MBB )
Dans cette section, nous présentons un bref aperçu des techniques de bootstrap et com-
ment elles peuvent être appliquées pour estimer la distribution des problèmes de test
d’hypothèse.
bootstrap[83] est un outil attractif qui permet d’obtenir des distributions estimées en
les approchant avec des distributions expérimentales sans avoir à refaire l’expérience. La
procédure de bootstrap est effectuée sur la base de l’ensemble de données originales. La
première étape du bootstrap consiste à choisir au hasard un échantillon pour générer de
nouveaux échantillons aléatoires, puis à répéter la première étape B fois. Nous devons
souligner sur le fait que les ensembles de données bootstrap sont de la même taille qu’ils
sont créés.
À la fin, les statistiques sont calculées sur chaque réplique de données générées par boots-
trap. La distribution bootstrap de la statistique souhaitée est obtenue par ses valeurs
bootstrap B. Les détails sont fournis dans [106].
Le Moving block bootstrap, abrégé en MBB, est l’une des techniques de bootstrap les
plus populaires dans l’inférence de séries temporelles. Le MBB a été présenté [107, 108].
Supposons que la statistique η est calculée à partir d’un vecteur d’observation aléatoire
x = [x0 , x1 , ..., xN −1 ]T , où T désigne l’opération de transposition, tiré d’une distribution
inconnue Fx .
67
Dans cette section, un moving block bootstrap est introduit pour le rééchantillonnage
afin de maintenir les dépendances temporelles qui caractérisent la présence et l’absence du
signal. Nous nous référons à [106, 107] pour décrire le bootstrap en détail. Nous définissons
L est la taille de bloc dans l’algorithme 3 qui est égale au facteur de lissage L.
Avec des échantillons aléatoires Y = Y1 , Y2 , . . . , YQ , la méthode MBB obtient Q chevau-
chant (l > m) ou (l ≤ m) pour chauque segment de l échantillons sous la forme d’une
matrice avec l lignes et q colonnes, où m est la longueur de chevauchement. l représente
la longueur de bloc et N est le nombre total d’observations. Après avoir déterminé la lon-
gueur des blocs, l, nous obtenons N = (nl + 1) i.i.d blocs. Pour faciliter la compréhension,
la Fig. IV.5 montre comment construire une matrice de données à partir du bloc de
détection et de vecteurs de détection.
Yi = (x[i]; ...; x[i + l − 1]); 1 ≤ i ≤ N.

     


 x[1] 




 x[2] 




 x[N − l + 1] 


     
x[2]
   x[3] 
  x[N − l + 2]
 
Y1 = Y2 = , . . . , YN −l+1 = ;
 ... 
   ... 
  

..
. 


 
 
 
 
 

     
x[l] x[l + 1] x[N ]
     
Figure IV.5 — Segment de détection en utilisant des moving blocks.
68
Et sélectionnez aléatoirement des blocs des données originales pour générer les données
bootstrap : xbN = (xb [1]xb [2] . . . xb [N ]) où L < N et k = [N/L]. Ainsi, la masse de
probabilité attribuée à chaque bloc qui se chevauche est 1/(N − L + 1) et les Yi ∗ sont
indépendants et identiquement distribués. Par conséquent, la distribution bootstrap de
la statistique intéressée est fournie via ses valeurs bootstrap B. L’algorithme de test de
bootstrap utilisant le moving block bootstrap est présenté dans Algorithme 3.
Algorithm 3 Principe de rééchantillonnage par moving block bootstrap

Etape 1. Tirer N échantillons du signal reçu xN = (x[1], x[2], . . . , x[N ])
Etape 2. Définir les blocs Bi pour appliquer le moving block de rééchantillonnage aux
données observées (Fˆ1 ) −→ xb = (xb [1]xb [2] . . . xb [N ])
N
Etape 3. Dessinez un ensemble d’échantillons par bootstrap xbN = (x∗1 , x∗2 , . . . , x∗L ) via
Y , la probabilité de choisir n’importe quel bloc est 1/(n − l − 1)
Etape 4. Calculer la statistique de bootstrap θ̂∗ à partir de X ∗ Répétez Étape 3 et Étape
4 pour b = 1, 2, ..., B.
Etape 5. Approximer les statistiques de θ̂ en utilisant la distribution empirique de θ̂∗
IV.2.5 État de l’art concernant le sondage du spectre par bootstrap
La technique de bootstrap a été proposée pour surmonter la limitation de la taille petite

d’échantillon [80, 81, 82]. De plus, des méthodes de bootstrap peuvent être utilisées pour
approximer la distribution de test statistiques [85], où la valeur p estimée peut être utilisée
comme mesure de seuil [82, 83, 84]. L’application du bootstrap dans le traitement du signal
peut être exister dans la littérature [89, 88, 86] et dans d’autres références [90, 91, 92], en
particulier pour les méthodes de détection basées sur Bootstrap connues pour de bonnes
performances de détection dans [89, 93, 94, 95]. Application Bootstrap dans la détection
du spectre dans la littérature est rare.
Dans [96], une bootstrap paramétrique utilisé pour estimer la distribution du test du
rapport de vraisemblance sous l’hypothèse nulle. Dans [97], les auteurs proposent d’utiliser
le détecteur GLRT combiné avec la technique de bootstrap pour détecter le spectre des
signaux OFDM afin de surmonter la condition de bruit inconnu et incertain. Dans [98],
les auteurs ont proposé un moyen de tirer a parti des avantages du rééchantillonnage de
bootstrap et de l’ajustement de test (GoF).
Cependant que dans [99], il introduit une méthode GLRT intégrée avec bootstrap pour
69
3 types de détecteurs tels que le tests arithmétiques et géométriques (TAGM) et le tests

statistiques Code spatial statistique pour le code temporel GLRT (TSTBCGLRT).
Dans [100], les auteurs éliminent l’exigence de gaussianité et proposent une technique
de détection basée sur la méthode bootstrap. Le détecteur proposé utilise les valeurs
propres de la matrice de covariance. Puisqu’il n’y a pas d’expression sous forme fermée
pour la distribution conjointe des valeurs propres, le rééchantillonnage bootstrap non
paramétrique est utilisé pour approximer la distribution nulle de la statistique de test.
Dans [101], une proposition d’une nouvelle méthode d’estimation de seuil basée sur le
bootstrap.
Dans [102] est fourni une technique de bootstrap paramétrique combinée à une analyse
séquentielle pour détecter le signal dans la radio cognitive.
IV.3 Méthode proposée basée sur la détection d’énergie en utilisant l’ap-

proche bootstrap
Dans la section précédente, nous avons supposé que le bruit est un bruit blanc gaussien, en
plus, le détecteur d’énergie est modélisée comme un problème de test d’hypothèse binaire.
Et nous avons supposé que la distribution du test statistique TED sous l’hypothèse H1 est
connue, en supposant que les observations sont i.i.d . Contrairement au cas où l’échantillon
observé est constitué de variables aléatoires non indépendantes, l’estimation asymptotique
devient plus complexe et associée à des quantités inconnues. De plus, une approximation
acceptable n’est obtenue que pour un nombre plus grand d’échantillons N. Le deuxième
problème possible survient lorsque la taille de l’échantillon aléatoire est petite. Comme
mentionné précédemment, l’expression asymptotique de la probabilité de fausse alarme
n’est pas valide. Par conséquent, le seuil de test est calculé selon l’Eq. (III.14) peut ne
pas être précis, ce qui dégrade les performances de détection. Pour surmonter ces deux
problèmes, la technique du bootstrap pour la détection du spectre est utilisée pour estimer
le seuil de test, dans le cas de détection dépendante de l’énergie et de petites tailles
d’échantillon [116].
IV.3.1 Test statistique basé sur le Maximum d’énergie
Dans ce qui suit, un détecteur basé sur le maximum d’énergie est proposé en utilisant
l’approche bootstrap. Nous devons comparer deux distributions de tests statistiques, où
70
un test d’hypothèse entièrement non paramétrique est proposé. La deuxième méthode est
basée sur le bootstrap paramétrique, est utilisée pour estimer les paramètres inconnus,
puis caractériser les distributions des tests statistiques. La statistique de décision indiquée
par Tmax est définie comme :
Tmax = max(T1 , T2 , ..., TN −L+1 ) (IV.1)

L
1
x2i .
P
où Tk = L
i=1
Nous utilisons les résultats de la section III.2 pour dériver les caractéristiques de perfor-
mance de test statistique. Pour le test Moving block boostrap, les évaluations ci-dessus
ne sont plus valides, en raison que les tests statistiques sont corrélés entre eux. Dans les
sections IV.3.2 et IV.3.3, nous mettrons en évidence le problème des tests statistiques
corrélés en développant de nouveaux algorithmes. Où la probabilité de chaque échantillon
est définie par les valeurs de la section III.2.
Généralement, le rééchantillonnage dans le bootstrap est effectué par deux méthodes,
paramétrique ou non paramétrique. De manière paramétrique, une expression explicite
de distribution d’échantillons de données peut être définie avec un nombre limité de pa-
ramètres inconnus. Cependant, dans une configuration non paramétrique, aucune forme
particulière n’est attribuée aux distributions. Par conséquent, la méthode bootstrap non
paramétrique est peu expliquée dans la littérature. Le cas paramétrique se trouve par
exemple dans [96, 102].
Dans la section IV.3.2, nous présentons une approximation des distributions de test
statistiques, pour lesquelles il est proposé de tester une hypothèse entièrement non pa-
ramétrique, à l’aide d’un bootstrap. Ainsi, en utilisant la distribution empirique obtenue
par bootstrap, on peut approximer la distributionde de test statistique sous l’hypothèse
H1 . Dans la section IV.3.3 une méthode basée sur le bootstrap est utilisée pour estimer
les paramètres inconnus puis déterminer les distributions de test statistique dans le cas
gaussien associé.
IV.3.2 Estimation de la densité de probabilité en utilisant l’approche boots-

trap non paramétrique
Dans cette section, on analyse les distributions approchées par un test basé sur la tech-
nique de bootstrap non paramétrique. L’objectif est de confirmer l’approximation de la
71
distribution estimée avec la distribution réelle sous H1 , qui est ensuite utilisé pour décrire
les erreurs de décision qui pourraient être produites par le test statistique. Pour vérifier
l’analyse dans cette section, les résultats de la simulation seront présentés dans la section
IV.4.
Supposons que Tmax soit un test statistique selon des hypothèses binaires, calculé à partir
de l’échantillon x(N ) = (x1, ..., xN ). Malheureusement, dans la plupart des cas pratiques,
la distribution F (Tmax ) de Tmax est inconnu et approché asymptotiquement. Cependant,
cette approche peut ou non bien fonctionner. Par ailleurs, nous pouvons utiliser une
méthode bootstrap qui repose sur la réplication des données pour approximer la distribu-
tion. Cela fonctionne sans aucune hypothèse sur les distributions.
Avec une approche de bootstrap, nous pouvons calculer une estimation fiable de ces quan-
tités. Tout d’abord, tirez au hasard N des échantillon X du signal reçu et calculez le test
statistique T̂max à l’aide de l’équation(IV.1). Dans la deuxième étape, une grande valeur de
réplique B des données originales est appliquée. Et le rééchantillonnage fractionné en une
b
représentation bootstrap de Y. puis T̂max est calculé pour chaque réplique de bootstrap
de Y pour obtenir au total les valeurs B de test statistique . Enfin, les valeurs B obtenues
de T̂max peuvent être utilisées pour approximer la distribution de test statistique FTmax .
La figure IV.6 illustre le schéma fonctionnel du détecteur non paramétrique proposé.
Figure IV.6 — Schéma de Bootstrap non-paramétrique de la méthode proposée
72
b
Pour tester l’hypothèse, nous avons classé la statistique bootstrap comme T̂max(1) ≤
b b b
T̂max(2) leq . . . ≤ T̂max(B) pour obtenir le seuil de test γ = T̂max(q) à partir des statistiques
ordonnées, soit q = (1 − α)(1 − B). Ensuite, un détecteur binaire déclare laquelle des deux
hypothèses. La valeur de T̂max est vérifiée par rapport à un seuil de détection pour juger
de la présence ou non du signal PU. Si la valeur est significative, c’est-à-dire T̂max ≥ γ
, nous acceptons H1 , sinon nous acceptons H0 . L’implémentation du test bootstrap non
paramétrique est résumée dans Algorithme 4.
Algorithm 4 Procedure de la distribution par bootstrap nonparametric

Etape 1. Générer N échantillons du signal reçu xN = (x[1], x[2], . . . , x[N ]) et calculer le
test statistique T̂ en utilisant (IV.1).
Etape 2. rééchantillonnage : Appliquer le rééchantillonnage par bootstrap aux
données observées (Fˆ1 ) −→ YNb = (Y b [1]Y b [2] . . . Y b [N ]).
b
Etape 3. Bootstrap statistique : Calculater le test statistique T̂max dans (IV.1) en
utilisant les données bootstrap YNb analogue avec T̂max donné par (IV.1).
Etape 4. Répétition : Répéter l’Etape 2 et l’Etape 3 pour b = 1, 2, ..., B. donc le test
statistique par bootstrap est T̂1b , T̂2b , . . . T̂kb , T̂Bb , et utilisé pour aproximer la distribution
de T̂max .
b b b
Etape 5. Ordonner le bootstrap test statistique comme T̂max(1) ≤ T̂max(2) ≤ . . . ≤ T̂max(B)
b
Etape 6. Obtenir le seuil γ = T̂max(q) apartir des statistiques ordonnés, telque q =
(1 − α)(1 − B).
Etape 7. Tester :Test d’hypothèse : si T̂ ≥ γmax , acceptez H1 , sinon H0
IV.3.3 Estimation de la densité de probabilité en utilisant la technique boots-

trap parametique
La deuxième approche consiste à estimer la distribution de test statistique, en utilisant

l’algorithme bootstap. Par conséquent, nous utilisons cette technique pour calculer les
paramètres inconnus. Le principe est d’utiliser cette procédure de bootstrap par blocs
mobiles pour estimer les paramètres inconnus. Ils sont ensuite introduits pour calculer la
distribution qui est utilisée pour réaliser un test statistique.
Considérons le cas où l’utilisateur RC reçoit un signal corrélé d’un PU, et Fx est une
distribution gaussienne avec des paramètres Rx inconnus(n’est pas une matrice diagonale),
la technique de bootstrap sera appliquée pour estimer ces paramètres. Dans ce cas, la
73
matrice de covariance des données bootstrap sera représentée par une matrice diagonale.
Supposons que les moving blocks Yx,n peuvent structurer comme des M vecteurs, chacun
de L (appelé L facteur de lissage) taille de données de chaque vecteur, on peut alors
écrire comme suit :
Yn = (x[n]; ...; x[n + l − 1]); 1 ≤ n ≤ N.
     


 x[1] 




 x[2] 




 x[N − l + 1] 


     
x[2]
   x[3] 
  x[N − l + 2]
 
Y1 = , Y =
..  2  ..  , . . . , Y N −l+1 = .. ;


 . 
 
 . 



 . 



 
 
 
 
 

x[l] x[l + 1] x[N ]
     
où YN ∼ N (Ȳ , RY ), Ȳ est la moyenne de Yn , et RY est la matrice de covariance de Yi .

Ainsi, nous avons
M = N + L − 1, (IV.2)
YN = [Y1 , Y2 , ..., YM ]T ∈(L×M ) , (IV.3)
M
1 X
p(YN ) = (L×M ) M
exp[− Y H (n)R−1
Y Y (n)], (IV.4)
π det(RY ) n=1
Où H désigne un opérateur hermitien conjugué et RY = E[Y (n)Y H (n)] désigne la matrice
de covariance de Y (n) et R−1
Y est l’inverse de la matrice de covariance. On suppose que
RY est une matrice hermitienne définie positive.

En pratique, la matrice de covariance est inconnue. Par conséquent, l’estimateur classique
de RY , est défini comme suit
M
ˆ 1 X
RY = (Yn − Ȳ )(Yn − Ȳ )T . (IV.5)
M n=1
en supposant que la moyenne des échantillons soit nulle, on obtient alors :
74
M
1 X
Ȳ = Yn = 0. (IV.6)
M n=1
Par conséquence, la matrice de covariance devient
M
1 X 1
RˆY = Yn YnT = YN YNT . (IV.7)
M n=1 N
Donc, la matrice de covariance RˆY est estimée comme suit.
 
λ[0] · · · λ[L − 1]
λ[1]
 
 λ[1] λ[0] · · · λ[L − 2]
RˆY =  . (IV.8)
 
 .
.. .
.. . .. .
.. 
 
λ[L − 1] λ[L − 2] · · · λ[0]
Dans le cas d’un petit échantillon, la matrice de covariance R̂y correspond à une mauvaise
approximation de Ry .
En conséquence, RY , peut calculer en utilisant la méthode de bootstrap paramétrique de
(IV.8), pour obtenir (p(YN )) dans (IV.4).
Nous proposons d’utiliser le bootstrap paramétrique. Par conséquent, la technique moving
blocks bootstrap, appliqué sur les données observées, est tiré de Fˆ1 (YN , R̂Y ), où R̂Y est
la matrice de covariance simple estimée pour RY à l’instant N , c’est-à-dire,
H0 : F̂0 −→ YN0b = (Y 0b [1], Y 0b [2], . . . , Y 0b [N ])

H1 : F̂1 −→ YN1b = (Y 1b [1], Y 1b [2], . . . , Y 1b [N ]) (IV.9)
Notez que nous générons les réplications bootstrap sous H1 . De plus, la matrice de cova-
riance est calculée pour toutes les réplications bootstrap b = 1, ..., B. Supposée en utilisant
les données bootstrap du moving blocks, la matrice de covariance devient
M
1b 1 X 1b 1b
RˆY = Y Y T
b = 1, ..., B. (IV.10)
M n=1 n n
Donc, la matrice de covariance RY , en (IV.4) est estimée par R̂Y , telle que
75
b B b
](R̂Y ) X R̂Y
R̂Y = = , (IV.11)
B b=1
B
où (]) représente le cardinal. À ce stade, la probabilité de distribution dans (IV.4) peut
être obtenue.
La méthode paramétrique de détection d’énergie basée sur le bootstrap (ParamBootED)
est résumée dans l’algorithme 5.
Algorithm 5 La procédure de distribution bootstrap paramétrique

Etape 1. Tirer N échantillons du signal reçu xN = (x[1], x[2], . . . , x[N ])
Etape 2. Appliquer le rééchantillonnage par moving block aux données observées Yn =
[x1n , x1n , ..., x1n+l−1 ], for n = 1, ..., N − l + 1, 1 ≤ l ≤ N
Etape 3. rééchantillonnage : Appliquer le rééchantillonnage par bootstrap aux
données observées
F̂1 −→ YNb = (Y 1b [n], Y 1b [n + 1], ..., Y 1b [N − l + 1])
b
Etape 4. Bootstrap statistique : Calculater RˆY dans (IV.10) en utilisant les données
bootstrap YNb analogue avec RˆY donner par (IV.7)
Etape 5. Répétition : Répéter l’Etape 3 et l’Etape 4 pour b = 1, 2, . . . , B. Determiner
b
](R̂Y )
la matrice de covariance par le calculate de R̂Y = B
Etape 6. Distribution : Estimer la distribution de Y en utilisant la matrice de cova-

riance obtenue dans(IV.11)
Etape 7. Obtenir le seuil de test γmax à partir de la probabilité de fausse alarme.
Etape 8. Teste : Test d’hypothèse : si T̂ ≥ γmax , acceptez H1 , sinon H0
Basé sur la modélisation ci-dessus, le signal reçu reéchantillonné YN est considéré comme
i.i.d. et de moyenne nulle, le SCM peut modéliser par la modélisation suivante :
H0 : R̂Y = σ̂η2 I,
H1 : R̂Y = R̂s + σ̂η2 I, n = 1, 2, ..., N. (IV.12)
Alors, on peut donner le PDF de test statistique par

 N (σ̂ 2 , 2 σ̂ 4 )
η N η
T max ∼ (IV.13)
 N (σ̂ + σ̂ 2 , 2 (σ̂ 2 + σ̂ 2 )2 )
2
s η N s η
76
Par conséquence, nous pouvons obtenir la probabilité de fausse alarme PFmax

A du détecteur
de maximum d’énergie comme [111] :
PFmax
A = Pr(Tmax > γmax | H0 ))
= 1 − Pr(Tmax ≤ γmax | H0 )
= 1 − Pr(max(T1 , T2 , ..., TM ) ≤ γmax | H0 )
M
Y
= 1− PFi A , (IV.14)
i=1
   
2
γ−σ  γ− ρση2
PFED
A = Pr (TED > γ; H0 ) = max Q q = Q q . (IV.15)
|{z} 2 4 2 2
σ 2 ∈[ 1 ση2 ,ρση2 ] Ns
σ Ns
ρση
ρ
De même manière, la probabilité de détection peut être exprimée comme suit.
PDmax = Pr(Tmax > γmax | H1 )

= 1 − Pr(Tmax ≤ γmax | H1 )
= 1 − Pr(max(T1 , T2 , ..., TM ) ≤ γmax | H1 )
M
Y
= 1− PDi , (IV.16)
n=1
ou PDi , PFi A peut donner comme suit
 
γmax − σ̂η2
PFi A = Pr(Ti > γmax | H0 ) = Q  q  , (IV.17)
2 4
σ̂
Ns η
 
γmax − (σ̂s2 + σ̂η2 )
PDi = Pr(Ti > σ̂max | H1 ) = Q  q . (IV.18)
2 2 2 2
N
(σ̂s + σ̂η )
IV.4 Evaluation des performances et discussion
Dans cette section, nous évaluons l’efficacité de la technique de détection développée

par des simulations et la comparons avec des travaux classiques antérieurs. L’analyse
77
des performances est examinée à l’aide des courbes ROC et Pd en fonction du SNR,
pour différentes tailles d’échantillons. Nous supposons que le signal d’utilisateur principal
(PU) est transmis avec un bruit blanc gaussien (AWGN) et que les signaux reçus x[n]
, n = 1....., N , sont temporellement corrélés.
La valeur minimale des répliques de bootstrap B nécessaires pour calculer l’approximation
de la distribution est également discutée dans la littérature [112]. Une mesure empirique
du nombre des répliques de bootstrap B consiste à choisir un nombre compris entre 25
et 50 pour l’estimation de la variance et fixé B à environ 1 000 lorsqu’on demande des
intervalles de confiance de 95. Néanmoins, avec la croissance rapide de la puissance de
calcul, il n’y a aucun problème de dépasser ces valeurs.
Les simulations numériques permettent d’évaluer les performances des méthodes pro-
posées. Les tailles d’échantillon sont N = 10, 20, 50 et aux fins de l’évaluation de la
détection spectrale, nous fixons N = 10.
Il faut choisir correctement la longueur de bloc L pour la méthode de MBB. Dans [113],
les auteurs ont proposé de déterminer la longueur de bloc optimale. Dans cette simulation,
la longueur du bloc est fixée à L = 5. Le nombre de réplications de bootstrap est fixé à
B = 499 dans tous les cas. Notez que nous avons prouvé que le bootstrap avec l’utilisation
d’une énorme réplication B n’améliore pas significativement les performances.
Tailles d’échantillon N =[10,20,50]

Monte Carlo MC=5000
Utilisateur principal PU=1
réplique de bootstrap B = 499
Probabilité de fausse alarme Pfa=0.05
Utilisateurs primaires s(n) ∼ N (0, σs2 ), σs2 = 1
Signal to noise ratio SNR=[-15dB,10dB]
Gain de Cannel s(n) ∼ N (1, 1)
Puissance de bruit ση2 = 1
Facteur de lissage L=5
Pour générer des résultats, nous utilisons 5 × 103 fois exécutions de Monte Carlo. Les
paramètres de simulation sont résumés dans le tableau ci-dessus :
78
La figue. IV.7 montre l’histogramme et la pdf estimée de la statistique sous l’hypothèse

alternative pour N = 10, SNR=-15. Nous pouvons voir que la pdf se rapproche d’une
distribution gaussienne. Sous H1 et selon la section IV.3.2, la CDF non paramétrique
NparaBooCDF est estimée et comparée à la ParaBooECDF, dont les paramètres sont
estimés à partir de l’Eq.(13).
Figure IV.7 — Histogramme et l’estimation de la pdf de test statistique sous l’hy-

pothèse alternative
Plus précisément, les courbes de la fig. IV.8 illustre l’ECDF de la statistique BootED de
différentes distributions, sous H1 par rapport à la gaussienne générique.
Selon les deux schémas suivants, il est évident que, sous H1 , l’approximation bootstrap
CDF est plus performante que l’approximation asymptotique de la distribution statistique
de test.
79
Figure IV.8 — ECDF de test statistique
La figure. IV.9 représente les résultats de simulation obtenus en faisant varier le nombre
d’échantillons. La simulation représente les courbes de la probabilité de détection en fonc-
tion du SNR pour Pfa = 0,05 et L = 5 avec différentes tailles d’échantillon N = 10, 20
et 50. Nous observons que l’approche proposée fonctionne bien même lorsque la taille de
l’échantillon est très petite. A partir de cette figure, il est clair de noter que l’approche
proposée a de bonnes performances en termes de probabilité de détection à des valeurs
SNR plus faibles.
Figure IV.9 — Probabilité de détection pour différente valeur d’échantillon
80
La figure IV.10 montre une comparaison en termes de probabilité de détection avec

différentes valeur de SNR, entre la technique qui estime des paramètres par bootstrap
d’un côté, et le bootstrap non paramétrique et le CED d’une autre côté. Le CED qui
prétend un cas gaussien et des seuils théoriques.
Figure IV.10 — Comparaison les probabilités de détection entre les méthodes pro-
posées et CED
Pour comparer les performances entre le CED avec les détecteurs proposés, nous
considérons N = 10 échantillons du signal reçu pour chaque détecteur, les probabilités
de détection de l’algorithme proposé obtenues en exploitant les paramètres de forme de
l’estimateur de bootstrap, puis nous les comparons avec les résultats d’une méthode non
paramétrique et CED. Comme le montrent les courbes de la fig. IV.11 et fig. IV.12, on voit
clairement que la méthode proposée de meilleures performances en termes de probabilité
de détection par rapport l’algorithme classique sous une faible valeur de SNR.
Le tableau IV.1 résume les résultats des méthodes proposées par rapport à la méthode
CED, avec la même valeur de Pf=0,2 et N=10. Les résultats de la méthode NParamBoo-
tED, à SNR = -5dB, probabilité de détection Pd = 0,8, et dans le cas de SNR = -10dB,
Pd = 0,52.
Il a un impact évident sur l’amélioration du Pd et du Pfa pour les faibles SNR. En
conséquence, la méthode proposée est la meilleure alternative pour la détection du spectre
en radio cognitive.
81
Figure IV.11 — Les courbes ROC en utilisant l’approche bootstrap a SNR = -5

dB.
Figure IV.12 — Probabilité de détection obtenu par l’approche bootstrap vs Pro-

babilité de fausse alarme a SNR = -10 dB
82
Table IV.1 — Comparaison entre les méthodes proposées et

CED
Techniques de sondage de spectral SNR Pfa N Pd
CED -5 0.2 10 0.7

-10 0.3 10 0.8
-15 0.6 10 0.7
ParamBootED -5 0.2 10 0.9
-10 0.3 10 0.95
-15 0.6 10 0.98
NParamBootED -5 0.2 10 0.8
-10 0.3 10 0.9
-15 0.6 10 0.97
IV.4.1 L’effet d’incertitude du bruit
La figue. IV.13 montre les performances des algorithme proposés qui décrit la variation
de la probabilité de détection avec l’SNR pour différentes niveaux d’incertitude de bruit.
On peut observer que la méthode proposée basée sur la détection du maximum d’énergie
en utilisant l’approche bootstrap améliore la probabilité de détection en présence d’in-
certitude de bruit, par rapport au CED. n = 10, pfa = 0,01 , b = 500, MC = 50000.
Figure IV.13 — L’effet de l’incertitude du bruit
83
Le tableau IV.2 fournit une comparaison entre les résultats obtenus par CED et les
méthodes proposées. Il est conforme que les méthodes proposées sont décrites avec une
détection à haute probabilité dans le cas de petite échantillon et vise à fournir des per-
formances de détection robustes pour améliorer le processus de détection dans le cas
d’environnements avec une incertitude de bruit et d’une complexité de calcul plus faible.
Table IV.2 — Comparaison entre les résultats obtenus par CED et les méthodes
proposées
Techniques Performance/Small size Noise/uncertainty Complexité
CED Faible Faible Faible

ParamBootED Elevé Robuste Moyen
NParamBootED Elevé Robuste Faible
La complexité de la méthode proposée BootstED et la détection d’énergie conventionnelle

CED est décrite dans le tableau IV.3. Où N : taille de l’échantillon, L : longueur du bloc
mobile, B désigne le nombre de réplications de bootstrap. La comparaison montre que la
méthode CED a une complexité de calcul inférieure et est plus facile à mettre en oeuvre
par rapport aux méthodes ParamBootED et NparamBootED.
Table IV.3 — Complexité de calcule
Techniques Assumption Complexité

CED Large échantillon, Bruit IID/conuu/stable O(LN )
ParamBootED Signal correlé , petite échantillon, bruit uncertain O(BL2 N )
NParamBootED Signal correlé, petite échantillon, bruit uncertain O(BLN )
84
IV.5 CONCLUSIONS
Dans ce chapitre, nous avons introduit une nouvelle méthode de détection robuste en
combinant un test de détection d’énergie avec la méthode de bootstrap par moving block.
Le modèle proposé est appliqué pour surmonter le problème des petites tailles d’échantillon
et pour traiter le problème de test statistique corrélé afin d’estimer la distribution de test
statistique.
Cette nouvelle approche ne nécessite pas d’information préalable sur l’environnement
et utilise une méthode de bootstrap dans le but de conserver approximativement les
dépendances temporelles qui distinguent la présence et l’absence du signal.
Nous avons effectué des simulations pour comparer la méthode proposée basée sur l’ap-
proche bootstrap et la méthode conventionnelle de détection d’énergie. Les résultats de
simulation obtenus montrent que la méthode proposée est nettement supérieure même
lorsque la taille de l’échantillon est petite, ce qui est généralement connu une blocage
dans les performances de détection dans la détection de spectre conventionnel et classique
et offre une performance de détection robuste pour améliorer le processus de détection en
cas d’incertitude du bruit.
85
CONCLUSION
GENERALE
Conclusion générale
Dans cette thèse nous avons traité la fonction la plus cruciale de la radio cognitive, qui
est la détection ou bien le sondage spectral. Pour cela, nous avons au préalable défini le
contexte général de la radio cognitive. Ensuite, plusieurs techniques ont été présentées
à savoir la technique du filtre adapté, la détection basée sur la cyclostationnarité, la
détection basée sur la décomposition en valeurs propres et la détection d’énergie. Cette
dernière a le mérite d’être simple et moins complexe comparant aux autres techniques.
Néanmoins, elle voit ses performances se détériorer en présence d’un milieu avec incerti-
tude du bruit, une solution est proposée afin de surmonter ce problème en utilisant un
seuillage adaptatif.
De plus, le nombre petit d’échantillon et le problème de détection d’énergie dans le cas
d’un bruit Gaussien, corrélé et non stationnaire. Ceci dit, des nouvelles approches et
algorithmes de détection spectrale sont étudies et améliores pour perfectionner cette tache
toute en dépassant les limitations des méthodes conventionnelles.
En premier lieu, on a simulé et évalué sous Matlab une méthode dérivée de la méthode
classique ED à travers l’approche de ré-échantillonnage du signal avec une fenêtre glis-
sante. Les résultats de performances décris par les courbes ROCs et pd en fonction de
SNR. On a constaté que la méthode proposée est efficace et plus robuste que la méthode
de détection d´énergie (ED).
En deuxième lieu, on a réalisé deux détecteurs reposent sur la détection d’énergie, ensuite
des expressions analytiques originales de seuillage adaptative de détection sont également
dérivées et utilisées pour la construction d’un algorithme de détection de spectre qui
permet améliorer et de réduire considérablement l’effet d’incertitude du bruit, et offrent
de meilleures performances que celles obtenues avec les techniques classiques existantes
dans les mêmes conditions. De plus, plusieurs résultats ont été tirés de cette phase
d’implémentation concernant l’efficacité des deux méthodes proposées et ses robustesses.
Par ailleurs, une deux autre nouvelles catégories des techniques de sondage basées sur les
tests statistiques bootstrap a été étudiées et évaluées. Cette dernière a l’avantage d’être
plus résistante au problème d’incertitude du bruit par rapport à la technique ED. En
d’autres termes, ce sont des techniques non-paramétriques et aveugles qui ne dépendent
pas de la distribution du bruit.
Cette thèse a pour but d’étudier et évaluer les différentes techniques de sondage spec-
tral, entre outre une implémentation, sous un environnement Simulation de Matlab, nous
87
Conclusion générale
permet de valider les performances de détection des signaux mono-bandes.
À travers cette thèse, nous avons enrichi nos connaissances dans le domaine de la radio
cognitive, la détection, les tests statistiques et l’implémentation de ses techniques. Il serait
intéressant comme perspective de proposer :
— L’étude et l’implémentation des autres techniques de sondage comme celle basée sur
la cyclostationnarité et sur la décomposition en valeurs propres ;
— La conception d’une technique permettant l’estimation online du niveau de puis-

sance de bruit ;
— Estimation l’incertitude de puissance de bruit avec la technique de bootstrap ;
— Un système qui étend notre étude à plusieurs utilisateurs cas ccoperative.
— Validation les performances de détection des signaux a travers une plate-forme SDR
comme USRP, BladeRF.
— Etude et implémentation des techniques de sondage de spectre basée sur le deep

learning
88
Bibliographie
[1] A. Goldsmith, Wireless Communication. Cambridge,UK :Cambridge University

Press, 2005, 673 pages.
[2] E. Hossain, D. Niyato, and Z. Han, Dynamic Spectrum Access and Management in
Cognitive Radio Networks, Cambridge University Press, 2009.
[3] FCC, Facilitating opportunities for flexible, efficient, and reliable spectrum use em-
ploying cognitive radio technologies, notice of proposed rulemaking and order, FCC
03-322. Dec. 2003
[4] Spectrum Policy Task Force Report, Tech. Rep. ET Docket,Washington, DC,
USA,(Nov 2002) 02–155.
[5] I. Akyildiz, W. Lee, M. Vuran, and S. Mohanty, Next generation dynamic spectrum
access cognitive radio wireless networks : a survey, Computer Networks., vol. 50, no.
13, pp. 2127-2159, 2006.
[6] B. Mercier et al., D2.3 -Recommended system definition, SENDORA, Oct. 2010,
online : http ://www.sendora.eu/node/220, [Accessed Sep. 1, 2011]
[7] Mitola, J., Maguire, G. Q. Cognitive radio : making software radios more personal.
IEEE Personal Communications 6(4) : 13-18. 1999.
[8] S. K. Jayaweera, Signal Processing For Cognitive Radios. John Wiley and Sons, Inc.,
2015.
[9] A.J. Goldsmith, L.J. Greenstein, N. Mandayam, and H.V. Poor, Principles of Cog-
nitive Radio, Cambridge University Press, 2012.
[10] P. Steenkiste et al., Future directions in cognitive radio network research, NSF Work-
shop Report, Jun., 2009.
[11] H. Arslan, Cognitive Radio, Software Defined Radio, Adaptive Wireless Systems.
TheNetherlands : Springer, 2007, 476pages.
89
[12] M. Joseph et M. Gerald Q. Cognitive radio : making software radios more personal.
IEEE personal communications, 1999, vol. 6, no 4, p.13-18.
[13] E. Hossain and B. Bhargava, Eds., Cognitive Wireless Communication Networks.
New York : Springer, 2007, 440 pages.
[14] E. Biglieri, A. Goldsmith, L. Greenstein, N. Mandayam, and H. Poor, Eds., Principles
of Cognitive Radio. Cambridge (Preprint), 2013, 352 pages.
[15] S.M. Kay, Fundamentals of Statistical Signal Processing : Detection Theory, Prentice-
Hall, 1998.
[16] S. M. Kay, Fundamentals of statistical signal processing, vol. 1 : Estimation theory.
Prentice Hall PTR, (1993).
[17] V.H. Poor, An introduction to signal detection and estimation, Springer-Verlag, 1988.
[18] M. Barkat, Signal detection and estimation. Artech house Boston, MA, USA, 2005.
[19] M. Abramovich and I.A. Stegun, Handbook of mathematical functions, Dover publi-
cations, 1972.
[20] K. Bury, Statistical distributions in engineering. Cambridge University Press, 1999.
[21] C. Forbes, M. Evans, N. Hastings, and B. Peacock, Statistical distributions. John
Wiley and Sons, 2011
[22] S. Chaudhari et al. Spectrum sensing for cognitive radios : Algorithms, performance,
and limitations. 2012.
[23] E. Axell, G. Leus, E.G. Larsson, and H.V. Poor, Spectrum sensing for cognitive
radio : State-of-the-art and recent advances, IEEE Signal Processing Magazine, vol.
29, no. 3, pp. 101-116, 2012.
[24] A. Ali, W. Hamouda, Advances on Spectrum Sensing for Cognitive Radio Networks :
Theory and Applications, IEEE Communications Surveys and Tutorials, 19(2) (2016)
1277–1304.
[25] Y. Tevfik et A. Huseyin. A survey of spectrum sensing algorithms for cognitive radio
applications. IEEE communications surveys and tutorials, 2009, vol. 11, no 1, p.
116-130.
[26] S. Filin, H. Harada, H. Murakami, and K. Ishizu, International standardization of
cognitive radio systems, Communications Magazine, IEEE, vol. 49, no. 3, pp. 82-89,
March 2011.
[27] M. Sherman, A.N. Mody, R. Martinez, C. Rodriguez, and R. Reddy, IEEE standards
supporting cognitive radio and networks, dynamic spectrum access, and coexistence,
IEEE Communications Magazine, vol. 46, no. 7, pp. 72 ?79, 2008.
[28] Association for global system for mobile communications, online : http :
//www.gsm.org, Accessed Dec.19, 2011.
[29] Z. Yonghong and LIANG, Y.-C. Eigenvalue-based spectrum sensing algorithms for
cognitive radio. IEEE transactions on communications, 2009, vol. 57, no 6, p. 1784-
1793.
[30] Y. Zeng and Y.C. Liang, Covariance based signal detections for cognitive radio,
in IEEE International Symposium on New Frontiers in Dynamic Spectrum Access
Networks (DySPAN). IEEE, 2007, pp. 202-207
[31] K. Kyouwoog, I. A. Akbar, K. K. Bae, J.-S. Urn, and C. M. Spooner, Cyclostatio-

nary approaches to signal detection and classification in cognitive radio, IEEE In-
ternational Symposiumon on New Frontiers in Dynamic Spectrum Access Networks
(DySPAN), pp. 212-215, 2007.
[32] Y. Zeng and Y. C. Liang, Spectrum sensing algorithms for cognitive radio based on
statistical covariances, IEEE Transactions On Vehecular Technology, vol. 58, no. 4,
pp. 1804-1815, 2009.
[33] R. Zhang, T. Lim, Y.C. Liang, and Y. Zeng, Multi-antenna based spectrum sensing
for cognitive radios : A GLRT approach, IEEE Transactions on Communications,
vol. 58, no. 1, pp. 84-88, 2010.
[34] A. Taherpour, M. Nasiri-Kenari, and S. Gazor, Multiple antenna spectrum sensing

in cognitive radios, IEEE Transactions on Wireless Communications, vol. 9, no. 2,
pp. 814-823, 2010
[35] C. Zhong, L. Tianxiang, and ZHANG, X.-D. Sensing orthogonal frequency division
multiplexing systems for cognitive radio with cyclic prefix and pilot tones. IET com-
munications, 2012, vol. 6, no 1, p. 97-106.
[36] S. Shobana, R. Saravanan, R. Muthaiah, Matched Filter Based Spectrum Sensing

on Cognitive Radio for OFDM WLANs, International Journal of Engineering and
Technology (IJET) IEEE, Vol.5, no.1, ISSN 0975-4024, Mar 2013
[37] Z. Xinzhi, C. Rong, and G. Feifei. Matched filter based spectrum sensing and power
level detection for cognitive radio network. In : 2014 IEEE global conference on signal
and information processing (GlobalSIP). IEEE, 2014. p. 1267-1270.
[38] D. Cabric, A. Tkachenko, and R.W. Brodersen, Spectrum sensing measurements of
pilot, energy, and collaborative detection, in IEEE Military Communications Confe-
rence (MILCOM). IEEE, 2006, pp. 1-7.
[39] T. Bogale and L. Vandendorpe, Moment based spectrum sensing algorithm for cog-
nitive radio networks with noise variance uncertainty, 47th Annual Conference on
Information Sciences and Systems (CISS), pp. 1-5, Mar 2013.
[40] J. Bussgang and D. Middleton, Optimum sequential detection of signals in noise,
IRE Transactions on Information Theory, vol. 1, no. 3, pp. 5-18, 1955.
[41] A. Wald, Sequential analysis. Courier Corporation, 1973.
[42] J. Bussgang and M. Marcus, Truncated sequential hypothesis tests, IEEE Transac-
tions on Information Theory, vol. 13, no. 3, pp. 512-516, 1967.
[43] S. Tantaratana and J.B. Thomas, Truncated sequential probability ratio test, Infor-
mation Sciences, vol. 13, no. 3, pp. 283-300, 1977.
[44] S. Tantaratana and J.B. Thomas, Relative efficiency of the sequential probability
ratio test in signal detection, IEEE Transactions on Information Theory, vol. 24, no.
1, pp. 22-31, 1978.
[45] S. Tantaratana and H.V. Poor, Asymptotic efficiencies of truncated sequential tests,
IEEE Transactions on Information Theory, vol. 28, no. 6, pp. 911-923, 1982.
[46] C. Lee and J. Thomas, A modified sequential detection procedure, IEEE Transactions
on Information Theory, vol. 30, no. 1, pp. 16-23, 1984.
[47] K.W. Choi, W.S. Jeon, and D.G. Jeong, Sequential detection of cyclostationary signal
for cognitive radio systems, IEEE Transactions on Wireless Communications, vol. 8,
no. 9, pp. 4480-4485, 2009.
[48] K. Cao and H. Shao, Compressive wide band spectrum sensing using high-order sta-
tistics for cognitive radio, IEEE Global High Tech Congress on Electronics (GHTCE),
pp. 187-190, Nov 2013.
[49] T. Abbas, N-K, Masoumeh, et G. Saeed. Multiple antenna spectrum sensing in cog-
nitive radios. IEEE transactions on wireless communications, 2010, vol. 9, no 2, p.
814-823.
[50] U. Harry. Energy detection of unknown deterministic signals. Proceedings of the
IEEE, 1967, vol. 55, no 4, p. 523-531.
[51] S. M. KAYE. Fundamentals of Statistical Signal Processing. Detection Theory. 1989.
[52] A. Nasrallah, A. Hamza, G.Baudoin, and al. Simple improved mean energy detection
in spectrum sensing for cognitive radio. In : 2017 5th International Conference on
Electrical Engineering-Boumerdes (ICEE-B). IEEE, 2017. p. 1-4.
[53] Z. Tian and G. Giannakis, A wavelet approach to wide band spectrum sensing for
cognitive radios,1st International Conference on Cognitive Radio Oriented Wireless
Networks and Communications, pp. 1 ?5, June 2006.
[54] I. F. Akyildiz, B. F. Lo, and R. Balakrishnan, Cooperative spectrum sensing in
cognitive radio networks : A survey, in : Proc. of Asilomar Conf. on Signals, Systems,
and Computers, vol. 4, no. 1, pp. 40-62, March 2011.
[55] A. Ghasemi and E. Sousa, Collaborative spectrum sensing for opportunistic access
in fading environments, DySPANn, pp. 131-136, Nov 2005.
[56] E. Peh and Y.-C. Liang, Optimization for cooperative sensing in cognitive radio
networks, WCNC, pp. 27-32, March 2007.
[57] J. Unnikrishnan and V. V. Veeravalli, Cooperative spectrum sensing and detection
for cognitive radio, IEEE GLOBCOM, pp. 2972-2976, Nov. 2007.
[58] J. Ma and Y. Li, Soft combination and detection for cooperative spectrum sensing
in cognitive radio networks, in Proc. IEEE Global Telecomm. Conf., pp. 3139-3143,
2007.
[59] Z. Li, P. Shi, W. Chen, and Y. Yan, Square law combining double threshold energy
detection in nakagami channel, Internation Journal of Digital Content Technology
and its Application, vol. 5, no. 12, Dec 2011.
[60] I. S. 802.22, Cognitive wireless ran medium access control (mac) and physical layer
(phy) specifications : Policies and procedures for operation in the tv bands, IEEE
Std 802.22-2011, pp. 1-680, 2011
[61] A. Flores, R. Guerra, E. Knightly, P. Ecclesine, and S. Pandey, Ieee 802.11af : A
standard for tv white space spectrum sharing, IEEE Communications Magazine, vol.
51, no. 10, pp. 92-100, 2013.
[62] C. Cordeiro, L. Challapali, D. Birru, and S. Shankar, Ieee 802.22 : The first worldwide
wireless standard based on cognitive radios, IEEE DySPAN2005, Nov 2005.
[63] M. Murroni, R.V. Prasad, P. Marques, B. Bochow, D. Noguet, C. Sun, K. Moessner,
and H. Harada, IEEE 1900.6 : spectrum sensing interfaces and data structures for dy-
namic spectrum access and other advanced radio communication systems standard :
technical aspects and future outlook, IEEE Communications Magazine, vol. 49, no.
12, pp. 118-127, 2011
[64] J. Wang, M. Ghosh, and K. Challapali, Emerging cognitive radio applications : A

survey, IEEE Communications Magazine, vol. 49, no. 3, pp. 74-81, 2011.
[65] T.J. Lim, R. Zhang, Y.C. Liang, and Y. Zeng, Glrt-based spectrum sensing for cog-
nitive radio, Proc. of IEEE GLOBECOM, New Orleans, LA, 2008.
[66] W. A. Gardner, A. Napolitano, and L. Paura, Cyclostationary : Half of century of

research, Signal Processing, vol. 86, pp. 639-697, 2006.
[67] P. D. Sutton, K. E. Nolan, and L. E. Doyle, Cyclostationary signatures in pratical

cognitive radio applications, IEEE Journal on Selected Areas in Communications,
vol. 26, no. 1, pp. 13-24, 2008.
[68] K. Kyouwoog, I. A. Akbar, K. K. Bae, J.-S. Urn, and C. M. Spooner, Cyclostatio-

nary approaches to signal detection and classi ?cation in cognitive radio, IEEE In-
ternational Symposiumon on New Frontiers in Dynamic Spectrum Access Networks
(DySPAN), pp. 212-215, 2007.
[69] P. G. Flikkema, Spread-spectrum techniques for wireless communication. IEEE Signal

Processing Magazine, 1997, vol. 14, no 3, p. 26-36.
[70] D. Torrieri. Detection of Spread-Spectrum Signals. In : Principles of Spread-Spectrum

Communication Systems. Springer, Cham, 2018. p. 613-644.
[71] T. ANJALI, T. S. APARNA, M. MEERA, and al. Implementation of Energy De-

tection Technique for Spread Spectrum Systems. In : Intelligent Manufacturing and
Energy Sustainability. Springer, Singapore, 2021. p. 443-454
[72] A. Sahai, N. Hoven and R. Tandra. Some fundamental limits on cognitive radio. In :
Allerton Conference on Communication, Control, and Computing. 2004.
[73] R. Tandra and A. Sahai. SNR walls for signal detection. IEEE Journal of selected
topics in Signal Processing, 2008, vol. 2, no 1, p. 4-17.
[74] S.A. Kassam, Signal detection in non-Gaussian noise, Springer-Verlag, 1988

[75] A. M. Zoubir, V. Koivunen, Y. Chakhchoukh, and M. Muma, Robust estimation in
signal processing : a tutorial-style treatment of fundamental concepts, IEEE Signal
Processing Magazine, vol. 29, no. 4, pp. 61-80, 2012.
[76] P. J. Huber, Robust statistics. Springer, 2011.
[77] R. Maronna, D. Martin, and V. Yohai, Robust Statistics : Theory and Methods.
Wiley Series in Probability and Statistics, Wiley, 2006.
[78] G. Yu, C. Long, and M. Xiang, A novel energy detection scheme based on dynamic
threshold in cognitive radio systems, Journal of Computational Information Systems,
pp. 2245-2252, 2012.
[79] H. M. Farag, and M. Ehab, An efficient dynamic thresholds energy detection tech-
nique for cognitive radio spectrum sensing, International Conference on Computer
Engineering, pp. 139-144, 2014.
[80] B. Efron and R. Tibshirani, Robert J. An introduction to the bootstrap. CRC press,
1994.
[81] A.C Davison and D.V HINKLEY, . Bootstrap methods and their application. Cam-
bridge university press, 1997.
[82] A.M. Zoubir and B. Boashash. The bootstrap and its application in signal processing.
IEEE signal processing magazine, 1998, vol. 15, no 1, p. 56-76.
[83] A.M. Zoubir, D.R. Iskander, Bootstrap Techniques for Signal Processing, Press, Cam-
bridge University, 2004.
[84] A.M. Zoubir and D.R. Iskander, Bootstrap Methods and Applications, IEEE Signal
Processing Magazine, 2007, vol. 24, no 4, p. 10–19.
[85] M.A Martin. Bootstrap hypothesis testing for some common statistical problems : A
critical evaluation of size and power properties. Computational Statistics and Data
Analysis, 2007, vol. 51, no 12, p. 6321-6342.
[86] A. M. Zoubir. Multiple bootstrap tests and their application. In : Proceedings of

ICASSP’94. IEEE International Conference on Acoustics, Speech and Signal Proces-
sing. IEEE, 1994. p. VI/69-VI/72 vol. 6.
[87] P. Hall and S.R. Wilson, Two guidelines for bootstrap hypothesis testing, Biometrics,
pp. 757-762, 1991
[88] F. Y Suratman and A. M. Zoubir. Bootstrap based sequential probability ratio tests.
In : 2013 IEEE International Conference on Acoustics, Speech and Signal Processing.
IEEE, 2013. p. 6352-6356.
[89] T. Boukaba, M.N El Korso, A. M. Zoubir and al. Bootstrap Based Sequential Detec-
tion in Non-Gaussian Correlated Clutter. Progress In Electromagnetics Research C,
2018, vol. 81, p. 125-140.
[90] S.M Irid and S. Kameche. A novel algorithm using spatial samplimg and bootstrap
to estimate closed space DOA for few samples. In : 2017 5th International Conference
on Electrical Engineering-Boumerdes (ICEE-B). IEEE, 2017. p. 1-5.
[91] K. Feng and L. Liu. Source Detection Using Bootstrap Technique in Spatial No-
nuniform Noise. In : 2014 Fourth International Conference on Instrumentation and
Measurement, Computer, Communication and Control. IEEE, 2014. p. 306-310.
[92] M.R Chernick. Bootstrap methods : A guide for practitioners and researchers. John
Wiley and Sons, 2011.
[93] H.T. Ong and A.M. Zoubir. Bootstrap-based detection of signals with unknown para-
meters in unspecified correlated interference. IEEE transactions on signal processing,
2003, vol. 51, no 1, p. 135-141.
[94] R.F. Brcich, A.M. Zoubir and P. Pelin. Detection of sources using bootstrap tech-
niques. IEEE Transactions on Signal Processing, 2002, vol. 50, no 2, p. 206-215.
[95] C. Debes, C. Weiss, A.M. Zoubir, and M.G. Amin. Distributed target detection in
through-the-wall radar imaging using the bootstrap. In : 2010 IEEE International
Conference on Acoustics, Speech and Signal Processing. IEEE, 2010. p. 3530-3533.
[96] L. Arienzo. Bootstrapping the spectrum in ultra wide-band cognitive radio networks.
In : 2009 Second International Workshop on Cognitive Radio and Advanced Spectrum
Management. IEEE, 2009. p. 105-109.
[97] F. Nugraha, S. Tjondronegoro and F.Y Suratman, Spectrum sensing of ofdm signals
using glrt detector with bootstrap approach. In : 2015 9th International Conference
on Telecommunication Systems Services and Applications (TSSA). IEEE, 2015. p.
1-6.
[98] T. Mouchini, K. Ghanem, M. Djeddou and al. Bootstrap approach for cognitive
radio. In : 2018 International Conference on Smart Communications in Network
Technologies (SaCoNeT). IEEE, 2018. p. 155-158.
[99] M. H Widianto, R. Aryanto and C. Fadillah. Multi-Antenna Spectrum Sensing using
Bootstrap on Cognitive Radio for Internet of Things Application. International Jour-
nal of Recent Technology and Engineering (IJRTE),2019, vol. 8, no 4, p.2620-2624
[100] Q. Huang, P. J. Chung, and J. Thompson. A nonparametric approach for spec-

trum sensing using bootstrap techniques. In : 2014 IEEE Global Communications
Conference. IEEE, 2014. p. 851-856.
[101] L. Luo, W. Zhou, and H. Meng. Threshold estimation method for spectrum sensing
using bootstrap technique. In : International Conference on Intelligent Computing.
Springer, Berlin, Heidelberg, 2013. p. 362-367.
[102] F. Y. Suratman. Spectrum sensing in cognitive radio : Bootstrap and sequential

detection approaches. 2014.
[103] X. Tian, Z. Tian, E. Blasch, and al. Sliding window energy detection for spectrum
sensing under low SNR conditions. Wireless Communications and Mobile Computing,
2016, vol. 16, no 12, p. 1654-1663.
[104] W. Baldygo, R. Brown, M. Wicks and al. Artificial intelligence applications to

constant false alarm rate (CFAR) processing. In : The Record of the 1993 IEEE
National Radar Conference. IEEE, 1993. p. 275-280.
[105] A.Sonnenschein and P. M.Fishman. Radiometric detection of spread-spectrum si-

gnals in noise of uncertain power. IEEE Transactions on Aerospace and Electronic
Systems, 1992, vol. 28, no 3, p. 654-660.
[106] H.R. Kunsch. The jackknife and the bootstrap for general stationary observations.
The annals of Statistics, 1989, p. 1217-1241.
[107] R.Y. Liu. Moving blocks jackknife and bootstrap capture weak dependence. Explo-
ring the limits of bootstrap, 1992.
[108] B. Efron. The jackknife, the bootstrap and other resampling plans. Society for
industrial and applied mathematics, 1982.
[109] R. Tibshirani, Variance stabilization and the bootstrap, Biometrika, vol. 75, no. 3,
pp. 433-444, 1988.
[110] P.H. Westfall and S.S. Young, Resampling-based multiple testing : Examples and
methods for p-value adjustment, vol. 279, Wiley. com, 1993.
[111] J. Boksiner and S. Dehnie. Comparison of energy detection using averaging and
maximum values detection for dynamic spectrum access. In : 34th IEEE Sarnoff
Symposium. IEEE, 2011. p. 1-6.
[112] A. C. Rencher and W. F. Christensen, Methods of Multivariate Analysis, Wiley

series in probability and mathematical statistics, Hoboken, 2012.
[113] P. Bühlmann. Bootstraps for time series. Statistical science, 2002, p. 52-72.
[114] A.Nasrallah, A. Hamza, T. Boukaba, G. Baudoin, A. Messani, Energy detection

with adaptive threshold for cognitive radio. In : 2018 International Conference on
Communications and Electrical Engineering (ICCEE). IEEE, 2018. p. 1-5.
[115] A.Nasrallah, A. Hamza,A M. Zoubir, G. Baudoin,T. Boukaba, Energy detection

with Dynamic threshold for cognitive radio. In : 2018 International Conference on
Communications and Electrical Engineering (ICCEE). IEEE, 2019. p. 1-5.
[116] A.Nasrallah, A. Hamza et A. Messani, Robust Spectrum Sensing Using Moving

Blocks Energy Detector with Bootstrap. Journal of Communications Technology and
Electronics, 2022, vol. 67, no 6, p. 636-648.

Memoire

Transféré par

Droits d'auteur :

Formats disponibles

Memoire

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Memoire

Transféré par

Droits d'auteur :

Formats disponibles

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université des Sciences et de la Technologie Houari Boumediene

THÉSE DE DOCTORAT EN SCIENCES

ROBUST SEQUENTIAL DETECTION IN

Soutenue publiquement le 11/07 / 2022 devant le Jury composé de :

MR. A.AMROUCHE Professeur à USTHB/FGE Président

I Généralité sur la radio cognitive 7

II Etat de l’art sur les techniques de détection de spectre 21

III Détection d’énergie avec l’estimation de l’incertitude de bruit 40

III.3 Nouvelle technique de détection de spectre basée sur la détection d’énergie

IV Détection robuste de spectre basée sur une approche bootstrap 62

IV.3.3 Estimation de la densité de probabilité en utilisant la technique

AWGN Additive white Gaussian noise

PUs Primary users

I.1 Schéma simplifié de la radio cognitive [3] . . . . . . . . . . . . . . . . . . . 9

II.1 Schéma descriptif des différentes techniques de sondage spectral . . . . . . 27

III.1 Approximation d’une distribution Chi-deux par gaussienne pour un

III.6 Les courbes de probabilité de détection en fonction du SNR pour différentes

IV.1 L’approche du Bootstrap.. . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

II.1 Evaluation de différentes techniques de détection spectrale [66]. . . . . . . 36

IV.1 Comparaison entre les méthodes proposées et

Aujourd’hui, l’avancement et le développement rapide dans les systèmes de communica-

Selon les statistiques concernant l’exploitation du spectre radio, l’organisme de régulation

En 2000 Joseph Mitola, a introduit l’idée de l’allocation dynamique du spectre. Il a défini

pour le cas de WRAN [29]). Le problème d’incertitude de la puissance de bruit représente

GÉNÉRALITÉ SUR LA RADIO

I.2 Généralité sur la Radio logicielle (software radio)

L’idée de la radio logicielle (RL) est de concevoir un système de communication univer-

Figure I.1 — Schéma simplifié de la radio cognitive [3]

I.3 Relation entre radio logiciel et radio cognitive

Figure I.2 — La relation entre la radio logicielle (SDR) et la radio cognitive

I.4 Définition de la radio cognitive (RC)

I.5 Structure de la radio cognitive

Figure I.3 — Architecture d’un système radio cognitive

Les six composantes fonctionnelles de l’architecture d’un système radio cogni-

— La perception sensorielle (Sensory Perception : SP) de l’utilisateur qui in-

— Les capteurs de l’environnement local (emplacement, température, etc.)

— Les applications système (les services médias indépendants comme un jeu

— Les fonctions RLR (qui incluent la détection RF et les applications radio

— Les fonctions de la cognition (pour les systèmes de contrôle, de planifica-

I.6 Les composantes de la radio cognitive

La radio cognitive se compose principalement [8] de :

Figure I.4 — Composantes de la radio cognitive

I.7 Fonctions de la radio cognitive

La radio cognitive a pour objectif d’optimiser et de résoudre la saturation du réseau

Figure I.5 — Les fonctions de la RC

I.7.1 Détection du spectre (Spectrum sensing) :

• Sondage proactif : il se fait périodiquement même à l’absence de donnée à

l’émission, la période du sondage doit être optimisée et ajustée selon le type de

I.7.2 Gestion du spectre (Spectrum management) :

— Rapport signal sur bruit (SNR) ;

2. Décision : le modèle de décision est requis pour l’accès au spectre, la complexité

I.7.3 Mobilité du spectre (Spectrum mobility) :

C’est le processus qui permet à l’utilisateur de la radio cognitive de changer sa fréquence

I.7.4 Partage du spectre (Spectrum sharing) :

Figure I.6 — Schéma illustratif du principe de la radio cognitive [5].

I.8 Cycle cognitif

— Observation : Extraire plusieurs informations à partir de l’environnement comme