CNTA ’09 Université A.

MIRA BEJAIA

L’Apport de la THH dans l’Analyse des

Signaux Non-Stationnaires

A. Kabla, K. Mokrani
Faculté de la Technologie, Département d’ Electronique, Laboratoire (LTII),
Université A/Mira Bejaia
Route de Targua Ouzemour, Béjaia 06000, Algerie
kablaaida@yahoo.fr, mokrani_k@yahoo.fr

Résumé— Notre objectif dans ce travail est de présenter une
comparaison entre les méthodes de traitement et d’analyse des
signaux non- stationnaires multi-composantes à savoir ; les
représentation temps- fréquence de la classe de Cohen et les
Ondelettes avec une nouvelle méthode de type temps-fréquence
basée sur l’utilisation conjointe de la décomposition modale
empirique (EMD) et la transformée de Hilbert (HT) appelée la
transformée de Hilbert Huang (THH).
I. INTRODUCTION
Le traitement du signal est la discipline qui développe et
étudie les techniques de traitement, d’analyse et
d’interprétation des signaux des signaux. Elle fait donc
largement appel aux résultats de la théorie de l’information,
des statistiques ainsi qu’à de nombreux autres domaines des
mathématiques appliquées.
Habituellement, les signaux issus des phénomènes
physiques sont de nature non- stationnaire, voire également
formés de plusieurs composantes fréquentielles (signaux
multi- composantes). Ces signaux sont bref et ne se répètent
que rarement, et se manifestent par des oscillations évoluant
au cours du temps.
Dans de telles situations, la représentation temporelle
classique du signal ne donne pas une bonne perception des
composantes oscillantes multiples, tandis que la
représentation fréquentielle ne permet pas la localisation
temporelle des ces composantes. Ainsi, en partant des
propriétés des signaux et des limitations de la transformées
de Fourier (TF), il est naturel de s’orienter vers un schéma
d’analyse temps- fréquence multi- composantes. En effet
par définition, les représentations temps- fréquence (RTF)
permettent de décrire le contenu des signaux conjointement
en temps et en fréquence et fournissent une information sur
la façon dont la fréquence du signal varie au cours du temps.
Si les RTF de la classe de Cohen constituent un moyen
puissant pour l’analyse des signaux non-stationnaires, elles
posent en revanche un problème pour l’interprétation et la
lisibilité des représentations obtenues en raison de la
présence de termes d’interférences (liée à la nature
bilinéaire de ces représentations) [1]. Par conséquent,
l’estimation des attributs à partir de ces représentations
nécessaires, par exemple, à la classification d’un signal sera
biaisée. Le lissage temps-fréquence peut réduire les
interférences mais introduit des erreurs de localisation en
temps et en fréquence. Rappelons que la TF est limitée aux
signaux stationnaires et aux systèmes linéaires. Ainsi, toutes
les méthodes, telles que le spectrogramme ou la distribution
de Wigner-Ville, basées sur la TF auront intrinsèquement,
plus ou moins, les mêmes limites. Par ailleurs, aussi bien les
RTF de la classe de Cohen que les ondelettes [2]
nécessitent la spécification d’un noyau ou d’une fonction de
base. Or, il n’existe pas de noyau de base universel. Ainsi
l’idéal est de trouver une décomposition adaptée au signal,
ne nécessitant pas d’informations a priori sur ce dernier, et
qui permette d’obtenir une description temps-fréquence.
Partant des limitations énumérées ci-dessus, Huang et al. [3]
ont récemment propose une méthode abordant sous un autre
angle la problématique d’analyse des signaux non-
stationnaires : la décomposition modale empirique (EMD
pour empirical mode decomposition). Contrairement aux
RTF ou aux ondelettes, la base de décomposition de l’EMD
est intrinsèque au signal. L’extraction des composantes
oscillantes appelées modes empiriques (IMF pour Intrinsic
Mode Functions) est non-linéaire, mais leur recombinaison
linéaire est exacte. L’EMD seule n’est pas une analyse
temps-fréquence, mais sa combinaison avec la transformée
d’Hilbert (TH) ou une autre méthode d’estimation de la
fréquence instantanée (FI) permet d’obtenir une RTF. Ainsi,
l’EMD couplée avec la TH est une description temps-
fréquence appelée Transformation de Huang-Hilbert (THH).
Notre objectif dans ce travail est de comparer les méthodes
temps- fréquence et les ondelettes avec la THH.
 CNTA ’09 Université A.MIRA BEJAIA

II. METHODE TEMPS FRÉQUENCE En temps discret :

N −1  M −1 
∑ ∑
En 1966, L. Cohen proposa une formulation générale à
PWVL x(n , f ) = 2 h (k )  g (m ) x (n + m + k ) x* (n + m − k ) e− j 2 π f k
2
partir de laquelle toutes les représentations conjointes en (6)
 
temps et en fréquence (R.C.T.F) bilinéaire peuvent être k = − N +1 m = − M +1 
obtenues par le choix d’une fonction de pondération. g : fenêtre de lissage fréquentielle.
L’expression de cette classe des représentations temps- h : fenêtre de lissage temporelle.
fréquence bilinéaire est donnée par: [4]
+∞ III. ANALYSE TEMPS- ECHELLE
 τ  τ
φ ( f , t ) x v +  x*  v −  e − j 2πf (v − t ) e j 2πfτ df dv dτ
C x (t , f ,φ ) =
∫ ∫∫
−∞
 2  2
(1) La transformée en ondelettes s’est imposée comme une
technique performante et digne d’intérêt. C’est une
x(v ) : Le signal temporel analysé, x* (v ) sont complexe représentation temps-échelle qui permet de décrire
conjugué ; l’évolution temporelle des caractéristiques d’un signal
relativement à une échelle d’observation donnée.
φ ( f ,τ ) : Fonction arbitraire de pondération ou noyau L'analyse est réalisée au moyen d'une fonction ψ appelée
représentatif d’une fonction particulière. ondelette de base (ou ondelette mère) qui permet de
spécifier les caractéristiques du signal que l’on souhaite
A. Analyse par Wigner Ville détecter. L'analyse en ondelettes consiste alors à
La distribution de Wigner-Ville (DWV), pour laquelle le positionner, dans le domaine temporel, l’ondelette mère en
noyau φ ( f ,τ ) = 1 , est le prototype de toutes les R.C.T.F de la regard de la partie du signal à traiter, on parlera alors de
classe de Cohen. Originalement, elle fut proposée par E.P. translation. L’ondelette mère est ensuite dilatée ou
Wigner en 1932. En 1948, J.Ville, développa la notion de contractée, par l'utilisation du facteur d'échelle « a »,
signal analytique et par suite, étendit le champ des permettant de concentrer l'analyse sur une gamme donnée
applications de la distribution de Wigner-Ville pour faire d'oscillations. Quand l'ondelette est dilatée, l'analyse explore
référence à la distribution de Wigner utilisant le signal les composantes du signal qui oscillent plus lentement,
analytique associé au signal réel. quand elle est contractée, l'analyse explore les oscillations
La transformée de Wigner-Ville, associée à un signal rapides comme celles contenues dans une discontinuité du
temporel x(t ) , est dé définie par : signal.
+∞ L’expression générale de la transformée en ondelettes
 τ * τ
wx (t , f ) =
∫ x t + 2  x  v − 2  e
− j 2πfτ
dτ (2) continue à pour forme : [5]
∞
t −b
C(b, a ) = a ∫ s(t ) * Ψ
−∞ −1 2
t : est la variable temporelle  dt (7)
f : est la variable fréquentielle −∞
a 
x* (v ) : Le signal temporel conjugué analysé. Où ψ (t ) représente l’ondelette mère, b le paramètre de
Son expression dual en fréquence est donné par : [4] translation et a le paramètre d’échelle ( a ≠ 0 ).
+∞
 η  η
Wx ( f ,t ) =
∫ X  f + 2  X  f − 2  e
j 2πfη
dη (3) IV. ANALYSE PAR THH
−∞
A. Principe de la méthode
Sa définition en temps discret est donné par :
L’EMD est définie par un processus de tamisage
+∞

∑ x(n + k ) x (n − k )e
(sifting) permettant de décomposer le signal en contribution
Px (n , f ) = 2 * − j 4πfk
(4) de bases appelées modes empiriques ou IMFs (Intrinsic
k = −∞
Mode Function) qui sont des signaux de types AM-FM
B. Analyse per Pseudo Wigner- Ville Lissée mono-composante, chacune de moyenne nulle [3]. La
décomposition est locale, itérative, séquentielle et
La PWV a pour effet de réduire les ondulations
entièrement pilotée par les données. L’EMD considère les
parasites en effectuant un lissage fréquentiel. Cependant, les
signaux à l’échelle de leurs oscillations locales, sans que
ondulations encore présentes dans la PWV peuvent être
celle-ci soit nécessairement harmonique.
atténuées en lissant cette dernière, cette fois ci en temps.
En se basant essentiellement sur les variations (ou
Cette transformation est appelée Pseudo Wigner-Ville lissée
oscillations naturelles) du signal, l’EMD permet une
et a pour expression : [4]
interprétation des phénomènes physiques présents [3].
En temps continu :
Le principe de l’EMD repose sur une décomposition
+∞ 2  +∞ 
τ   t  t adaptée en décrivant localement le signal comme une
PWVL x (t , f ) =
∫ 2  ∫
h    g (u − t ) x  u −  x*  u +  du  e − j 2π f τ dτ
 2  2 
(5) succession de contributions d’oscillations rapides (hautes
−∞ − ∞ 
 CNTA ’09 Université A.MIRA BEJAIA
fréquences) sur des oscillations plus lentes (basse
fréquence).
Nous pouvons résumer la décomposition avec
l’algorithme suivant : [5]
1. Copier le signal dans une variable auxiliaire h(t ) .
2. Chercher les extrema locaux (minimum et
maximum) de h(t ) .
3. Calculer l’équation de l’enveloppe supérieur
(EnvMax(t)) et inférieure (EnvMin(t)) du signal
h(t ) par la méthode dus splines cubiques.
4. Calculer ensuite l’enveloppe moyenne locale :
m(t)= 1/2 (EnvMin+EnvMax).
5. Calculer le résidu r (t ) en soustrayant l’enveloppe
moyenne m(t) du signal h(t ) .
• Si le signal r (t ) vérifie les propriétés d’une
IMF, alors IMF i = r (t ) .
• Si non : répéter les étapes de 2 à 5 avec
h(t ) = r (t ) .
6. l’IMF ainsi déterminée est soustraite au signal
original :
• Si le résidu présente un nombre suffisant
d’extrema (supérieur à 2), retourner à l’étape 1
afin d’extraire une autre IMF.
• Sinon, le résidu est considéré comme le résidu
final r (t ) .
A la fin de la décomposition, l’expression du signal original
est donnée par :
n fréquentiel. Le signal est composé de cinq sauts fréquentiels
X (t ) = ∑c + r
i =1
i n
Ainsi, on obtient une décomposition empirique des données
en n IMF modes, plus un résidu qui correspond à la dérive
ou la tendance du signal initial.
B. La transformée de Huang Hilbert
Ayant obtenu les IMF, nous n’aurons aucune difficulté
dans l’application de la transformée de Hilbert à chaque
IMF.
Pour calculer les caractéristiques instantanées
(fréquence et amplitude) de chaque IMF, il est possible
d’utiliser le signal analytique z i (t ) associe a c i (t ) : [6]
z i (t ) = c i (t ) + j ⋅ H [c i (t )]
Où:
c i (τ )
+∞
H {c i (t )} = ∫ t − τ ⋅ dτ
1 chaque extrémité de la fenêtre analysée. L’analyse par THH
P (10)
π (fig.4) nous a donnée de meilleur résultat que les autres
−∞
z i (t ) peut être exprimé par:
z i (t ) = a i (t ) ⋅ exp( jwi (t )) (11)
L’amplitude et la phase instantanée sont définies par les
expressions suivantes :
a i (t ) = c i 2 (t ) + H 2 [c i (t )]
 H [c i (t )] 
θ i (t ) = arctan  (13)
 c i (t ) 

La fréquence instantanée de z i (t ) , n’est autre que la
dérivée de la phase instantanée :
dθ (t )
ωi = i (14)
dt
Ainsi, le signal original peut être exprimé comme suit :
∑ a (t )exp( j ∫ w (t )dt )
n
x(t ) = Re (15)
i i
i =1
Où le résidu rn (t ) à été omis. R{}
⋅ Dénote la partie réelle
d’une quantité complexe.
L’équation (11) nous permet de représenter l’amplitude et la
fréquence instantanée en trois dimensions, dans lequel
l’amplitude est la hauteur dans le plan temps-fréquence.
Cette distribution temps-fréquence est désignée comme
étant le spectre de Huang-Hilbert H (w,t ) :
∑ a (t )exp( j ∫ w (t )dt )
n
H (w,t ) = Re i i (15)
i =1
V. COMPARAISON DES METHODES
Afin de pouvoir comparer les aptitudes des méthodes que
nous avons présentés, à localiser les changements de
fréquence d’un signal, nous avons crée un signal test
comportant des changements brusques dans son contenu
(8) brusques et d’une sinusoïde.
Si nous comparons les différentes représentations on peut
dire que la WVD fournis de bon résultat quand il s’agit d’un
signal mono composante, mais dans le cas d’un signal a
composante multiple, elle présente des termes
d’interférences indésirables qui peuvent nuire à la lisibilité
de la représentation obtenue. Dans le cas de la SPWD, nous
constatons que la représentation situe les différentes lois
d’évolution (fig.2). Le fait de filtrer en temps et en
fréquence supprime en grande partie l’ensemble des
interférences sans trop pénaliser la résolution temps-
fréquence. Toutefois nous remarquons que les transitions
sont assez difficiles à déterminer. Dans la figure (3), nous
(9) remarquons que l’analyse par Ondelette sépare correctement
les fréquences dans l’ensemble de l’espace temps-
fréquence, toutefois on constate une perte d’information, à
méthodes, on voie clairement les différentes fréquences et
les transitions sont plus facilement identifiées, en plus c’est
une méthode entièrement piloté par les données et n’a donc
besoin d’aucun réglage de paramètres.
(12)
 CNTA ’09 Université A.MIRA BEJAIA

Fréquence

Temps

Fig.1. Représentation temps- fréquence en

utilisant la WVD Fig.4. Représentation temps- fréquence en
utilisant la THH.

VI. CONCLUSION
Dans ce travail, nous avons présentés une comparaison
Fréquence

de la THH à celle de la WVD, la SPWVD et les Ondelettes.

Globalement la THH donne des résultats comparables à
celle de la SPWVD et les ondelettes mais sans interférences
et avec une détection claire des fréquences. De plus, les
transitions en fréquence sont bien mises en évidence.

Temps REFERENCES
[1] J-C. Cexus. «Analyse des signaux non-stationnaire par
Fig.2. Représentation temps- fréquence en transformation de Huang, opérateur de Teager-Kaiser, et
transformation de Huang-Teager (THT)», Thèse de doctorat de
utilisant la PWVD l’université de Rennes 1, décembre2005.
[2] Bruce, A. Donoho , H-Y. Gao. Wavelet analysis. IEEE
Spectrum, October 1996.
[3] N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shih, Q.
Zheng, N.C. Yen, C.C. Tung, H.H. Liu. «The empirical mode
decomposition and the Hilbert spectrum for nonlinear end non-
stationary time series analysis», Proceeding of the Royal
Fréquence

Society of London, 454:903-995, 1998.M. Young, The

Techincal Writers Handbook. Mill Valley, CA: University
Science, 1989.
[4] P. Flandrin : Temps-Fréquence. Editions Hermes, Paris, 1993.
[5] H. Sharabaty. «Diagnostic de somnolence d’un opérateur:
analyse automatique de signaux physiologiques », Thèse de
doctorat de l’université de Toulouse, 2007.
[6] Y. Zhang. « Hilbert-Huang transform and marginal spectrum for
detection of bearing localized defects», IEEE Proceeding of the
Temps 6th World Congress on Intelligent Control and Automation, June
21-23, 2006, Dalian, China.
Fig.3. Représentation temps- fréquence en
utilisant l’ondelette
 UNEQUALLY ARRAY PATTERN SYNTHESIS WITH THE USE OF A
MODIFIED PARTICLE SWARM OPTIMISATION ALGORITHM
Hichem CHAKER, S.M. MERIAH and F.T. BENDIMERAD
Telecom Laboratory Department of Electronic Engineering University of Tlemcen, ALGERIA
mh_chaker2005@yahoo.fr; meriah_m@yahoo.fr; ftbendimerad@mail.univ-tlemcem.dz
Abstract:
A computationally efficient global
optimization method, the adaptive particle
swarm optimization (APSO), is proposed for
the synthesis of uniform and Gaussian
amplitude arrays of two cases, i.e., the prior
constraint in the synthesis of the element
positions for both the cases is d min = 0.5 λ,
where d min is the minimum distance between
to adjacent elements. The upper limit in the
distance between the elements, d max is varied
from 0.5λ to 0.6λ for the first case and from
0.5λ to λ for the second case. The proposed
iterative method aims at linear and planar
array and the optimization of phases- positions
by minimizing the side-lobes level and
respecting a beam pattern shape. Selected
examples are included, which demonstrate the
effectiveness and the design flexibility of the
proposed method in the framework of the
electromagnetic synthesis of linear and planar
antenna arrays.
Keywords: Adaptive particle swarm
optimization, global optimization, unequally
spaced linear and planar arrays antennas.
I. Introduction
In the area of the antenna array pattern
synthesis, a non-uniformly spaced array can
successfully achieve the design specifications
by optimally adjusting the positions of the
elements with predefined excitations [1]. An
antenna array with certain radiation
characteristics is often asked to be designed.
Necessarily, the nulls have to be in a certain
direction [2], or the main lobe has to be
directed in a certain direction; also other
requirements for the direction and the level of
the side lobes [3] might be stated.
-1-
The global synthesis of antenna arrays that
generate a desired radiation pattern is a highly
nonlinear optimization problem. Many
analytical methods have been proposed for its
solution. Examples of analytical techniques
include the well-known Taylor method and the
Chebyshev method [4]. In many applications,
the synthesis problem of an antenna array
consist of finding an appropriate set of
amplitude and phase weights that will yield the
desired far-field pattern with an equally spaced
linear array [5]. However, it is well known that
the antenna performance related to the beam
width and side lobes levels can be improved
by choosing both the best position and the best
set of the amplitude and phase for each
element of an unequally spaced array [6]. The
paper is aimed to present a modular method,
based on a modified particle swarm optimizer
(APSO) algorithm, which is able to
simultaneously optimize the excitation
coefficients (amplitude and phase) and the best
position, according to different constraints,
such as side lobes peak minimization, and
beam pattern (BP) shape modeling. The APSO
is characteristic by finding good near-optimal
solutions early in the optimization run. The
APSO does not use derivatives, and is also
independent on the complexity of the objective
function under consideration. Six examples are
used to demonstrate the effectiveness of the
proposed algorithm–based procedure for the
antenna array optimization. The APSO
simulated results are also compared with those
obtained by modified differential algorithm in
[7].
II. Formulation
The far field factor of a linear array with an
even number of uniformly spaced isotropic
elements (2N) can be written in the form:
N
 2π  colleagues. The location of the ith particle is
F (θ ) = 2 ∑ ak cos d k sin(θ ) + δ k  (1)
k =1  λ  represented as X i = ( xi1 ,..., xid ,...xiD ) . The best
Where λ is the wavelength, θ denotes the
angular direction, a k is the excitation
amplitude, δ k is the excitation phase and d k is
the x coordinate, normalised to wavelength, of
the nth array element.
v = (δ 1 ,...δ N , d1 ,........, d N ) is the vector of variable
parameters used to synthesize a desired
pattern. The position d k can be computed
from the inter-element spacing, according to
the following formula:
N
∆d
d i = ∑ ∆d k − 1
k =1 2 particletoward its pbest and gbest locations
The array factor in dB is given by
P(θ ) = 20 log( F (θ ) normalised )
The mathematical statement
optimization process is:
Find max f (v) → vopt
Where f (v) is the objective function of
parameter variables v.
π
f = Max − ∫ 2 Fd (θ ) − F (θ ) dθ (5)
0
The fitness can be seen as the difference area
between desired pattern and obtained pattern.
The greater value of the fitness function, the
better match between the obtained pattern and
the desired one. Equation (5) is used for
evaluating the fitness value during the
optimization process.
III. ADAPTIVE PARTICLE
OPTIMIZATION
Modern heuristic algorithms are considered as
practical tools for nonlinear optimization
problems, which do not require that the
objective function to be differentiable or be
continuous. The particle swarm optimization
(PSO) algorithm as discussed by Xiao [8] is an
evolutionary computation technique, which is
inspired by social behaviour of swarms. PSO
is similar to the other evolutionary algorithms
in that the system is initialized with a
population of random solutions. Each potential
solution, call particles, flies in the D-
dimensional problem space with a velocity
which is dynamically adjusted according to the
flying experiences of its own and its
previous position (which giving the best
fitness value) of the ith particle is recorded and
represented as Pi = ( pi1 ,..., pid ,..., piD ) , which is also
The set called pbest . The index of the best pbest
among all the particles is represented by the
symbol g. the location Pg is also called gbest .
The velocity for the ith particle is represented
as Vi = (vi1 ,..., vid ,..., viD ) . The particle swarm
optimization consists of, at each time step,
changing the velocity and location of each
(2)
according to the equations (6) and (7)
(3) respectively:
of the
vid = w ∗ vid + c1 ∗ rand () ∗ ( pid − xid ) + c2 ∗ rand () ∗ ( p gd − xid )
(6)
(4) xid = xid + vid (7)
Where w is inertia weight, c1 and c 2 are
acceleration constants as discussed by
Eberhart [9], and rand () is a random function
in the range [0 1]. For equation (6), the first
part represents the inertia of previous velocity;
the second part is the ‘‘cognition ’’ part, which
represents the private thinking by itself; the
third part is the ‘‘social ’’ part, which
represents the cooperation among the particle
as discussed by Kennedy [10]. Vi is clamped
to a maximum velocity
SWARM V max = (v max,1 ,..., v max,d ,..., v max, D ) . Vmax determines
the resolution with which regions between the
present and the target position are searched as
discussed by Eberhart [9]. The process for
implementation PSO is as follows:
a). Set current iteration generation Gc = 1 .
Initialize a population which including m
particles, for the ith particle, it has random
location X i in specified space and for the dth
dimension of Vi , vid = rand 2 () ∗ vmax,d , where
rand 2 () is a random value in the range of [-1
1];
b). Evaluate the fitness for each particle;
-2-
 c). Compare the evaluated fitness value of
each particle with its pbest .if the current value
is better than pbest , and then set the current
location as the pbest location. Furthermore, if
current value is better than gbest , then reset
gbest to the current index in particle array;
d). change the velocity and location of the
particle according to the equations (6) and (7),
respectively;
e). Gc = Gc + 1 , loop to step b) until a stop
criterion is met, usually a sufficiently good
fitness value or Gc is achieve a predefined
maximum generation Gmax . The parameters of
PSO includes: number of particles m, inertia
weight w, acceleration constants c1 and c2 ,
maximum velocity Vmax . As evolution goes on,
the swarm might undergo an undesired process
of diversity loss. Some particles becomes
inactively while lost both the global and local
search capability in the next generations. For a
particle, the loss of global search capability
means that it will be only flying within a quite
small space, which will be occurs when its
location and pbest is close to gbest (if the
gbest has not significant change) and its
velocity is close to zero for all dimensions; the
loss of local search capability means that the
possible flying cannot lead perceptible effect
on its fitness. From the theory of self-
organization as discussed by Nicolis [11], if
the system is going to be in equilibrium, the
evolution process will be stagnated. If gbest is
located in a local optimum, then the swarm
becomes premature convergence as all the
particles become inactively. To stimulate the
swarm with sustainable development, the
inactive particle should be replaced by a fresh
one adaptively so as to keeping the non-linear
relations of feedback in equation (6) efficiently
by maintaining the social diversity of swarm.
However it is hard to identify the inactive
particles, since the local search capability of a
particle is highly depended on the specific
location in the complex fitness landscape for
different problems. Fortunately, the precision
requirement for fitness value is more easily to
be decided for specified problem. The adaptive
PSO is executed by substituting the step d) of
-3-
standard PSO process, as the pseudo code of
adaptive PSO that is shown in figure 1. Fi is
the fitness of the ith particle, Fgbest is the fitness
of gbest . ∆Fi = f ( Fi , Fgbest ) , where f (x) is an
error function. The ε is a predefined critical
constant according to the precision
requirement. Tc is the count constant. The
replace () function is employed to replace the
ith particle, where the X i and Vi is reinitialized
by following the process in step a) of standard
PSO, and its pbest is equal to X i . The array
similar Count [ i ] is employed to store the counts
which are satisfying the condition ∆Fi < ε in
successively for the ith particle which is
not gbest . The inactive particle is natural to
satisfy the replace condition; however, if the
particle is not inactively, it has less chance to
be replaced as Tc increases.
int [ ]similar Count = new int [m]; // at initialization stage
// Next code is employed to replace step d )
// in s tan dard PSO process
For (i = 0; i < m; i + +) { // for each particle
IF (i ≠ g & & ∆Fi < ε )
THEN similar Count[i ] + +; // add1
ELSE similar Count [i ] = 0; // reset
IF ( similar Count [ i ] > Tc ) // predefined count
THEN replace (the i th particle);
ELSE execute ( step d ) in s tan dard PSO
}
Fig.1. Inserted pseudo code of adaptive PSO
For APSO, ∆Fi is set as a relative error
function, which is
( Fi − Fgbest ) / Min(abs ( Fi ), abs ( Fgbest )) , where
abs (x) getsthe absolute value of x , Min( x1 , x2 )
gets the minimum value between x1 and
x 2 .The critical constant ε is set as 0.0001, and
the count constant Tc is set as 3. For the
problem at hand, the number of dimensions is
equal to twice the number of antenna elements
because both the amplitude and phase of each
parameter must be specified by the PSO. Also,
a swarm of 60 particles was used. The
algorithm parameters c 1 and c 2 specify the
relative weight that the global best position has
versus the particle’s personal best. Empirical 5
testing has found 2.0 to be a reasonable value
for both c 1 and c 2 . Linear velocity damping
0

-5
was applied with the upper limit 0.9. Velocity
-10
damping improves the convergence behaviour

Amplitude dB
of the particle swarm by gradually increasing -15

the relative emphasis of the global and -20

personal best positions on a particle’s velocity. -25

The upper limit of the inertia weight is 0.9 and -30

the lower limit 0.4. -35

-40
IV. Numerical Results 20 40 60 80 100
Theta°
120 140 160 180

IV.1 Synthesis of linear array

In order to illustrate the capabilities of the
APSO for the shaped beam pattern synthesis
of a linear array, four examples are considered.
APSO is proposed for the synthesis of uniform
and Gaussian amplitude arrays of two cases,
i.e., the prior constraint in the synthesis of the
element positions for both the cases is d min =
0.5 λ, where d min is the minimum distance
between to adjacent elements. The upper limit
in the distance between the elements, d max is
Fig. 3. The mask of desired pattern (dashed line) and the radiation
pattern obtained by the APSO using 20 elements (solid line).
The array patterns for d max = λ for the two
kind of excitations law uniform and Gaussian
are shown in figure 4 and 5 respectively. From
these figures we can see that the maximum
sidelobe level for the uniform amplitude is -25
dB and for the Gaussian one is -26.86 dB, the
corresponding number of iterations are 164
and 203 respectively.
5

0
varied from 0.5λ to 0.6λ for the first case and
from 0.5λ to λ for the second case. The
-5

-10
maximum side-lobe level of uniform and
Amplitude (dB)

gaussian amplitude, unequally spaced 20 -15

element array with the upper limit in the -20

element spacing d max 0.6λ are -20,53 and - -25

23,24 dB respectively. As shown in figure 2 -30

and 4. The total number of function -35

evaluations is 119 iterations for the uniform -40

20 40 60 80 100 120 140 160 180
excitation and 195 for the gaussian one. The Theta°

synthesized element parameters for these cases Fig. 4. The mask of desired pattern (dashed line) and the radiation
pattern obtained by the APSO using 20 elements (solid line).
are shown in table I.
5
5
0
0
-5
-5
-10
-10
Amplitude (dB)
Amplitude (dB)

-15
-15
-20
-20
-25
-25
-30
-30
-35
-35
-40
-40 20 40 60 80 100 120 140 160 180
20 40 60 80 100 120 140 160 180 Theta°
Theta°
Fig. 5. The mask of desired pattern (dashed line) and the radiation
Fig. 2. The mask of desired pattern (dashed line) and the radiation pattern obtained by the APSO using 20 elements (solid line).
pattern obtained by the APSO using 20 elements (solid line)

-4-
Therefore from figure 2, 3, 4 and 5 we can
conclude that, when the upper limit in the
maximum distance between the adjacent
elements, d max is increased, the maximum
sidelobe level decreases for both the cases.
When we use the Gaussian excitation, there is
a significant reduction in the maximum
sidelobe level compared to the uniform one for
both cases of synthesis. From the obtained
results, we show the effect in lowering the
sidelobe level of unequally spaced array for
different values of d max , and two kind of
excitations law, uniform and Gaussian
respectively. An improvement of about 4.47
dB and 3.62 dB in the side lobe level of the
uniform and gaussian law is obtained for d max =
0.6 λ and λ respectively. We show the
comparison of the far-field patterns among the
adaptive particle swarm simulation results, and
the MDE algorithm simulated results in [7].
These results remain comparable to the
modified differential algorithm.
in position-phase synthesis with prefixed
guassian amplitude, the design of this array is
based on finding the position and phase
distribution of each element, in the plane φ = 0  ,
the SLL is set to -22.09 dB, and in the plane
φ = 90  the SLL is set to -21.62dB. Fig. 7
shows normalized absolute power pattern in
dB, there is a very good agreement between
desired and obtained results. The algorithm is
run for 736 iterations with an initial population
of 60. The optimized excitation positions and
phases (radian) elements according to the two
axis are shown in table II. It is clear that in the
shaped region, the patterns in the two planes
have good performance, and there is no
sidelobe that exceeds the specified values.
This property of the proposed design enables
to choose the size (area) of the region to be
covered by the main beam while keeping
radiation in the other directions below a
desired level.
5

IV.2 Synthesis of planar array

Plan E
0 Phi=90°

-5

This section presents a design method for -10

planar arrays that permits control of the SLL
Amplitude dB

-15
and the beam width in the two principal planes
-20
corresponding to E plane (φ = 0  ) and H
-25
plane (φ = 90  ) respectively.
-30

As an illustrative example, we consider the -35

example problem that applied the adaptive -40

20 40 60 80 100 120 140 160 180
particle swarm is the optimization of a 100 Theta°

element planar array. Excited by uniform and Fig. 6. Radiation pattern (both E and H plane).
gaussian amplitude respectively, the objects
that should be optimized are the relative
5
excitation phase and distance between Plan E
0 Plan H
elements. From figure 6 we can see that, for
d max = λ , position phase synthesis gave a -5

maximum sidelobe level of -21.5 and – 21.90 -10

Amplitude dB

dB In the two plan E and H respectively, -15

which is the maximum sidelobe level of -20

uniformly excited array. The best fitness value -25

returned versus the number of calls to the -30

fitness evaluator was achieved after 639. The -35
optimized excitations phases and positions
-40
according to the two axis are show in table II. 20 40 60 80 100
Theta°
120 140 160 180

The desired beam width is achieved and the Fig. 7. Radiation pattern (both E and H plane).
specified SLL is respected. For the next
example, we take an array with 100 elements,

-5-
 TABLE I
Amplitude and phase distributions

d min =0.5 λ, d max =0.6 λ d min =0.5 λ, d max = λ

Uniforme Gaussienne Uniforme Gaussienne
i Amplitude Phase Position Amplitude Phase Position Amplitude Phase Position Amplitude Phase position
(V) (radian) (m) (V) (radian) (m) (V) (radian) (m) (V) (radian) (m)
1 1 0.7487 0.0175 0.996 5.0682 0.0156 1 3.5685 0.0246 0.996 5.1252 0.0284
2 1 2.5616 0.0504 0.961 3.7013 0.0496 1 2.2755 0.0618 0.961 3.5272 0.0723
3 1 5.6969 0.0836 0.895 6.2751 0.0815 1 5.2610 0.1125 0.895 1.9610 0.1116
4 1 3.7676 0.1161 0.804 1.1059 0.1140 1 0.7969 0.1476 0.804 0.9901 0.1477
5 1 1.2395 0.1478 0.697 1.4574 0.1485 1 4.4486 0.1941 0.697 3.0022 0.1940
6 1 4.8314 0.1829 0.583 2.3690 0.1822 1 4.0623 0.2378 0.583 0.9759 0.2313
7 1 4.5286 0.2181 0.471 3.9140 0.2150 1 2.1007 0.2813 0.471 3.4454 0.2739
8 1 2.0106 0.2492 0.367 5.0115 0.2472 1 2.5295 0.3149 0.367 3.6759 0.3197
9 1 2.1267 0.2820 0.276 1.7060 0.2804 1 4.9153 0.3708 0.276 5.0018 0.3712
10 1 4.8914 0.3164 0.20 1.1641 0.3141 1 1.8258 0.4156 0.20 4.9233 0.4159

TABLE II
Amplitude and phase distributions

d min =0.5λ, d max = λ

Uniforme Gausienne
i Amp.ox Amp.oy Phase.ox Phase.oy Rep.ox Rep.oy Amp.ox Amp.oy Phase.ox Phase.oy Rep.ox Rep.oy
(V) (V) (radian) (radian) (m) (m) (V) (V) (radian) (radian) (m) (m)
1 1 1 1.6151 1.7080 0.0182 0.0156 0.583 0.583 1.8917 3.8498 0.0179 0.0270
2 1 1 5.2837 2.0861 0.0647 0.0619 0.471 0.471 4.2286 2.2076 0.0659 0.0759
3 1 1 2.7155 3.2286 0.0986 0.1027 0.367 0.367 3.7226 5.2574 0.1139 0.1326
4 1 1 4.2299 5.3612 0.1524 0.1533 0.276 0.276 5.7139 2.1291 0.1693 0.1627
5 1 1 2.5687 3.9000 0.2016 0.2090 0.200 0.200 1.9587 1.9553 0.2138 0.2005

V. Conclusion International Journal on R F and Microwave.2004, vol. CAE

This work shows how algorithms based on
adaptive particle swarm optimization can be
useful in the array synthesis. Different design
goals have been defined, as the sidelobe level,
nulls in defined directions and desired beam
width. In all cases, the algorithm achieves the
desired solution and the convergence is good.
the advantages of the presented algorithm are
the simplicity in the implementation, the
robustness, the flexibility and also the intuitive
understanding of it. The application to more
complex problems in array synthesis or in the
electromagnetism area in general, is
straightforward. Particularly, the application
can be easily extended to other array synthesis
problems with different geometries or
including other array parameter besides
element positions.
VI. References
[1] R.F. Harrington, “Sidelobe Reduction by Nonuniform
Element Spacing,” IRE Trans. Antennas and Propagation.
Mars 1961, pp.187-192.
[2] YANG, S., BENG GAN, Y., QING, A. Antenna-array
pattern nulling using a differential evolution algorithm.
14, p. 57–63.
[3] LUE, W. C., HSU, F. Use of B-spline curves and genetic
algorithms to reduce the sidelobe level in array-patterns.
Microwave and Optical Technology Letters, 2003, vol. 38, no.
4, p. 308–311.
[4] BALANIS, C. Antenna T heory – Analysis and D esign.
New York: Wiley, 1982.
[5] YAN, K., LU, Y. Sidelobe reduction in array-pattern
synthesis using genetic algorithms. IEEE T ransactions on
Antennas an d Propagation, 1997, vol. 45, no. 7, p. 1117–
1122.
[6] AKDAGLI, A., GUNEY, K. Shaped beam pattern
synthesis of equally and unequally spaced linear antenna
arrays using modified tabu search algorithm. Microwave and
Optical Technology Letters, 2003, vol. 36, No. 1, p. 16–20.
[7] D.K. Kurup, M. Himdi and Rydberg, “Synthesis of
uniform amplitude unequally spaced antenna arrays using the
differential evolution algorithm,” IEEE Transactions on
Antennas and Propagation. Vol. 51, No. 9, Sep. 2003.
[8] Xiao-Feng Xie, Wen-Jun Zhang, Zhi-Lian Yang,
Adaptive Particle Swarm Optimization on Individual
Level, International Conference on Signal Processing
(ICSP), Beijing, China, 2002: 1215-1218.
[9] R. Eberhart, Y. Shi. Particle swarm optimization:
developments, applications and resources. IEEE Int.
Conf. on Evolutionary Computation, 2001: 81-86.
[10] J. Kennedy. The particle swarm: social adaptation
of knowledge. IEEE Int. Conf. on Evolutionary
Computation, 1997: 303-308.
[11] G. Nicolis, I. Prigogine. Self-organization in no
equilibrium systems: from dissipative systems to order
through fluctuations. John Wiley, NY, 1977.

-6-
PERFORMANCE CONSTANT ENVELOPE OFDM PHASE MODULATION WITH
FILTERING
M.Debab and M.Labiod
Electronic department, University Hassiba Benbouali Chlef, B.P151, Hay Es-salem, Chlef, 02000,
Algéria
E-mail: debab_mohammed@yahoo.fr
Abstract—This article describes a transformation
technique aimed at solving the peak-to-average
power ratio (PAPR) problem associated with
OFDM (orthogonal frequency-division
multiplexing).
Constant envelope OFDM (CE-OFDM) transforms
the OFDM signal, by way of phase modulation, to a
signal designed for efficient power amplification.
At the receiver, the inverse transformation—phase
demodulation—is applied prior to the conventional
OFDM demodulator.
The performance of CE-OFDM is analyzed in
additive white Gaussian noise (AWGN) and fading
channels. CE-OFDM is shown to achieve good
performance in dense multipath with the use of
cyclic prefix transmission in conjunction with a
frequency domain equalizer (FDE).
Index Terms: PAPR, CDOFDM, index
modulation, filter FIR.
1. Introduction
Orthogonal Frequency Division Multiplexing
(OFDM) is a very attractive technique for high-bit-
rate transmission in wireless applications, as it
provides greater immunity to multipath fading and
impulse noise. OFDM-based systems are popular
and have been adopted in several International
Standards for Digital Audio Broadcasting, Digital
Terrestrial Television Broadcasting, and Wireless
Local and Metropolitan Area Networks. OFDM has
two primary drawbacks, however. The first is a high
sensitivity to time variations in the channel caused
by Doppler, carrier frequency offsets, and phase
noise. The second, and the focus of this thesis, is
that the OFDM waveform has high amplitude
fluctuations, a drawback known as the peak-to-
average power ratio (PAPR) problem. The high
PAPR makes OFDM sensitive to nonlinear
distortion caused by the transmitter’s power
amplifier (PA). Without sufficient power backoff,
he system suffers from spectral broadening,
intermodulation distortion, and, consequently,
-1-
performance degradation. High levels of backoff
reduce the efficiency of the PA. For mobile battery-
powered devices this is a particularly detrimental
problem due to limited power resources.
A new PAPR mitigation technique is presented. In
constant envelope OFDM (CEOFDM), the high
PAPR OFDM signal is transformed to a constant
envelope 0 dB PAPR waveform by way of angle
modulation. The constant envelope signal can be
efficiently amplified with nonlinear power
amplifiers thus achieving greater power efficiency.
In this paper, the fundamental aspects of the CE-
OFDM modulation are studied, the signal space,
optimum performance, and the performance of a
practical phase demodulator receiver. Performance
is evaluated over a wide range of multipath fading
channel models.
2. OFDM system description
The system under consideration is represented by
the diagram in Fig. 1. During each T -second block
interval, an NDFT point inverse discrete Fourier
transform (IDFT) calculates a block of time samples
{x[n]}. The sampling rate is therefore F 0 =NDFT/T
. To obtain a real-valued, oversampled OFDM
sequence {x[n]}, the input to the IDFT is a
conjugate symmetric, zero-padded data vector [1]
[0,X[1],X[2], . . . ,X[NQAM],01×Nzp ,
0,X[NQAM], . . . ,X’[2],X’[1]],
Fig. 1. The modification of an OFDM system to obtain CE-
OFDM
where {X[k]}N QAM MQAM-QAM data symbols,
and 01×Nzp is an Nzp-element row vector
comprised of zeros. The IDFT size is thus
NDFT = 2NQAM + Nzp + 2. The zeros at index
k = 0 and k = NQAM+Nzp+1 are used to maintain
conjugate symmetry, and the remaining N zp zeros
achieve the effect of oversampling the time-domain
sequence. The oversampling factor is defined as
Cos ≡ NDFT/(NDFT − Nzp). Using this
convention, the output of the IDFT may be
expressed as [1]:
N DFT −1 j 2πkn
x[n] = ∑ X [k ]e N DFT
k =0
N QAM
 2πkn   2πkn 
= 2 ∑ ℜ{X [k ]}cos  − ℑ{X [k ]}sin 
k =1  N DFT   N DFT 
n = 0, 1, . . . ,NDFT − 1, where j = 1 .
Next, {x[n]}, a high PAPR OFDM sequence [2], is
passed through a phase modulator to obtain the 0
dB PAPR sequence {s[n] = exp(jC x [n])}, where C
is a scaling constant. An Ncp-sample cyclic prefix
(CP) is appended to {s[n]} to obtain {s[n]}n =DFT
N −1
− N cp ,
where s[n] = s[NDFT + n], n =−Ncp, . . . ,−2,−1.
The discrete-time samples are then passed through a
digital-to-analog (D/A) converter, and the result is
amplified and transmitted into the channel. The
lowpass equivalent representation of the amplified
CE-OFDM signal is s(t) = Aexp {j [2πhm(t) + θ]},
−Tcp ≤ t < T , where A is the signal amplitude. θ is
an arbitrary phase offset which may be used as a
design parameter to achieve phase continuous
modulation [3]. The cyclic prefix duration is
Tcp = Ncp/F 0 and the block duration is T =
N DFT /F 0 . The information bearing message signal
m(t) is a real-valued OFDM waveform having the
same form as (1):
N QAM
 2πkt 
m(t ) = ∑ ℜ{X [k ]}cos
k =1 T 
 − ℑ{X [k ]}sin 
−Tcp ≤ t < T , where C is a constant. Therefore, the
phase modulating OFDM signal is comprised of
N=2NQAM subcarriers, each modulated by
M = M QAM − ary pulse amplitude modulation
(PAM) data symbols. It is convenient to define the
message signal as m(t ) = Cnorm ∑ I [k ]qk (t ), where
I [k ] = ℜ{X [k ]} , k=1,2,…….,N QAM
[ ]
I [k ] = −ℑ{X k − N QAM }, k=N QAM +1,……,N
I [k ] ∈ {± 1,±3,.......,±( M − 1} are M-PAM data symbols
and
2πkt
q$ k (t ) = cos( ) , k= 1,2,…..,N QAM
T
(1)
q$ k (t ) = sin(
[ ]
2π k − N QAM t
) , k= N QAM +1,….,N
T
are the subcarriers.
 (2) The normalizing constant C N = 2 / σ i N ensures
2
that the phase variance is independent of the
number of OFDM subcarriers N, and is the data
variance with σ i 2 =1 for binary data [2]. The
modulation index h is the key parameter that
controls the signal space properties (performance)
and the spectral properties of CE-OFDM [4]. The
phase memory ϴ i may be used in conjunction with
a phase unwrapper at the receiver to ensure a
continuous phase at the symbol boundaries and
hence better spectral containment [5], [6].
Without loss of generality, full sine and cosine
subcarriers (DFT) separated by 1/Ts are used in this
paper to fulfill the subcarrier orthogonality
requirement
3. PM Reciever
A practical receiver such as the PM receiver [4] can
be used for CE-OFDM. It consists of a phase
demodulator to undo the transformation followed by
a standard OFDM demodulator as shown in Fig. 2.
Although this results in a sub-optimum receiver [4],
it provi des for a simple and practical receiver
 2πkt 
 T 
 (3)
Fig. 2. The modification of a standard OFDM receiver to
obtain a CE-OFDM receiver
The baseband received CE-OFDM signal is given
as:
r (t ) = Ae jφ (t ) + n(t ) (4)
-2-
Where n(t ) ≡ nc (t ) + jn s (t ) is the baseband Gaussian
noise with power spectral density [1]:
A.Phase Demodulator
We employ the phase demodulator as shown in
Fig. 3.
Fig. 3. Phase demodulator
The baseband received signal r(t) is passed through
a lowpass filter (bandpass equivalent prefilter) to
reject the out-of-band noise. The phase is extracted
by taking the inverse tangent of the quadrature
baseband components. This is followed by a phase
unwrapper to obtain the demodulated phase.
B. Phase Unwrapper
The phase estimate from the phase demodulator is
confined to the 2π range from –π to +π. The original
transmit phase that deviates outside the –π to +π
range is wrapped to within this range. Fig. 4 depicts
a snapshot of the CE-OFDM phase showing that a
larger section of the unit circle is traversed for
higher modulation indices. This is why phase
wrapping is more frequent for larger modulation
indices whereby the large OFDM signal peaks
result in large fluctuations in the CEOFDM transmit
phase. The OFDM signal becomes Gaussian
distributed with variance (2πh)2 [1], for a large
number of subcarriers by the central limit theorem
[7].
Fig. 4. CE-OFDM phase deviation as a function of modulation
index.
-3-
The phase unwrapper restores the received phase by
looking at consecutive samples of the phase
estimate and determining the shortest angular npath
from one phase sample to the next. In effect, the
unwrapped phase is obtained by computing the
cumulative phase at each sample. Phase unwrapping
errors occur when the noise results in the selection
of the incorrect angular path. These errors are
always equal to 2π due to the combined effect of the
correct phase change and the incorrect phase change
and are analogous to cycle slips in phase locked
loops [8].
4. Performance over AWGN channels:
For the simple AWGN case, the received signal is
r (t ) = S (t )e jφ0 + w(t ) , where Ф 0 is phase offset
caused by the channel [9]. As indicated by the block
diagram in Fig.1, and from the development in the
previous section, the CEOFDM demodulator
operates in the discrete-time domain. It is
convenient, however, to consider the continuous-
time model for analysis.
The output of the phase demodulator
∧
is φ (t ) = φ (t ) + θ + φ 0 + ξ (t ) , where:
 Aw (t ) sin[φ w (t ) − φ (t ) − θ − φ à ] 
ξ (t ) = arctan   (5)
 A + Aw (t ) sin[φ w (t ) − φ (t ) − φ à ]
Is a nonlinear noise component; Aw (t ) ≡ w(t ) and
φ w (t ) ≡ arctan[w(t )] is the envelope and phase,
respectively, of w(t).
The DFT following the phase demodulator acts as a
correlator bank. The k th correlator computes
T
1 ∧
Q[k ] = ∫ φ (t )q k (t )dt ≡ S [k ] + ϕ [k ] + N [k ] (6)
T à
k = 1,2,…….,N. The signal component is
S [k ] ≡ ∫ φ (t )q k (t )dt
1
T
2πhC norm T N
=
T ∫0 ∑ [ ]
I k ' q k ' (t ).q k ' (t )dt (7)
k '
Due to the orthogonality of the subcarriers, only the
k′ = k term in (7) contributes, and therefore the
signal component simplifies to
 2πhC norm 5. Simulation Results:
S [k ] = I [k ]ξ q = 2πh I [k ] (8)
1
T 2 Nσ I2
Figure 5 shows simulation results of the discrete-
where ζ q = T/2 is the subcarrier energy. time CEOFDM phase demodulator receiver for
The term accounting for the phase offsets is modulation index values 2πh. The systeme is
T
simulated without channel phase offsets, the
ϕ [k ] ≡ (θ + φ0 )q k (t )dt = 0 (9)
1
T ∫o
performance gains are accomplished with
increasing the modulation index. For example, at
Thus, due to the periodicity of the full-cycle SNR = 30dB. The system using a modulation index
sinusoid and cosinusoid subcarriers , the phase of h = 0.8 performs at around 10e-4 compared to an
offsets do not affect demodulation [10].The noise error rate of 10e-2 when using h = 0.4. This
component is demonstrates a limitation of the phase demodulator
T receiver, for a large modulation index and low
N [k ] ≡ ∫ ζ (t )q k (t )dt = 0 (10)
1 signal-to-noise ratio, the phase demodulator has
T o difficulty demodulating the noisy samples.
The variance of N[k] is approximated by observing M=2N=64fc=0.2
0
that (10), due to the fact that q k (t) is sinusoidal, can 10

be viewed as a Fourier coefficient of ζ(t) [11].

h=0.2
h=0.4

1 Nà h=0.8

var{N [k ]} ≈
-1
10
(11)
2T A 2
The bit error rate is[1] -2
10

 M −1   6 log 2 M ξ b 
BER

BER ≈ 2 .Q 2πh (12)

 M 2 − 1 N 0 
 M log 2 M  
-3
10

To demonstrate the accuracy of (12), an M = 8

-4
CEOFDM system is simulated. The DFT size is 10

NDFT = 512 and an oversampling factor of J = 4 is

used; resulting in N = NDFT/J − 2 = 512/4 − 2 = -5
10
0 5 10 15 20 25 30
126 subcarriers. For this baseline AWGN SNR in dB

simulation, the equalizer is required.

Fig 5 :Performance with various modulation index
The phase demodulator performs arctangent
calculations on the discrete-time samples
The finite impulse response FIR filter preceding the
r [t ] = S [n]e jφ0 + w[n] , then the phase unwrapper is phase demodulator (see figure 6) can improve
used to avoid phase jumps in the event that the performance.Figure 7 shows BER simulation results
received phase crosses the π-radian boundary. The of an M = 2, N = 64, J = 8,
∧
estimated phase sequence, φ [n] , is then processed h = 0.8 system. The filter, has a length L fir =11 and
a normalized cutoff frequency f cut .=[0.2,0.05]
by the DFT to obtain the demodulated PAM data
Hamming
symbols Q[k],
k = 1, 2, . . . ,N. The demodulated PAM data
symbols are then used to define the demodulated
∧ 
QAM data symbols  X [k ] which are processed by
 
the QAM demapper .

Fig 6: FIR filter preceding the phase demodulator

-4-
windows are used, the filtered results are shown to
be better than the unfiltered result.
0
h=0.8M=2N=64
10
-1
10
-2
10
BER
-3
10
-4
10
-5
10
0 5 10 15 20 25 30
SNR in dB
Fig 7: CE-OFDM performance with and without FIR filter.
(M = 2, N = 64, J = 8)
Figure 8 shows the performance of CE-OFDM
using the equalizer MMSE and ZF frequency
domain, the ZF result is shown to be slightly worse
than the MMSE result.
Therefore, the ZF frequency-domain equalizer
perfectly reverses the effect of the channel. When
noise can’t be ignored, the ZF suffers from noise
enhancement. The MMSE criterion takes into
account the signal-to-noise ratio, making an
optimum trade between channel inversion and noise
enhancement.
6. CONCLUSION:
A signal transformation method for solving the
PAPR problem is presented and analyzed. The high
PAPR OFDM signal is transformed to a 0 dB PAPR
constant envelope waveform. At the receiver, the
inverse transform is performed prior to the OFDM
demodulator. For the CE-OFDM technique
described, phase modulation is used. It is shown
that the modulation index controls the system
performance. For a small modulation index and
high signal-to-noise ratio, the phase demodulator
receiver is nearly optimum. For a larger modulation
index the phase demodulator receiver becomes sub-
optimum due to the limitations of the phase
demodulator and phase unwrapper. This problem
WITHOUT FIR
FIR fc=0.2
FIR fc=0.05
Fig 8 :Performance for MMSE and ZF
can be suppressed with the use of a properly
designed finite impulse response lowpass filter
35 40
which precedes the phase demodulator. The MMSE
equalizer is more complicated than the ZF equalizer
since the SNR per bit, must be estimated at the
receiver. The results of this article show that this
added complexity translate good performance
REFERENCES
[1] S.C. Thompson, “Constant Envelope OFDM Phase
Modulation,” Ph.D.dissertation, University of California, San
Diego, 2005.
[2] S. Shepherd, J. Orriss, and S. Barton, “Asymptotic Limits
in Peak EnvelopePower Reduction by Redundant Coding in
Orthogonal Frequency- Division Multiplex Modulation,”
IEEE Trans. Commun., vol. 46, no. 1,pp. 5–10, Jan. 1998.
[3] S. C. Thompson, A. U. Ahmed, J. G. Proakis, and J. R.
Zeidler,“Constant Envelope OFDM Phase Modulation:
Spectral Containment,Signal Space Properties and
Performance,” in Proc. IEEE Milcom, vol. 2,Monterey, Oct.
2004, pp. 1129–1135.
[4] W. Y. Zou and Y. Wu, “COFDM: An Overview,” IEEE
Trans. Broadcast.,vol. 41, no. 1, pp. 1–8, Mar. 1995.
[5] P. H. Moose, D. Roderick, R. North, and M. Geile, “A
COFDM-based Radio for HDR LOS Networked
Communications,” in Proc. IEEE ICC, vol. 1, June 1999, pp.
187–192.
[6] I. Koffman and V. Roman, “Broadband Wireless Access
Solutions Based on OFDM Access in IEEE 802.16,” IEEE
Commun. Mag., pp. 96–103,Apr. 2002.
[7] H. Ochiai and H. Imai, “On the distribution of the peak-to-
averagepower ratio in OFDM signals,” IEEE Trans. Commun.,
vol. 49, no. 2, pp. 282-289, Feb. 2001.
-5-
[8] W. C. Lindsey and C. M. Chie, “A Survey of Digital
Phase-Locked Loops,” Proc. of the IEEE, vol. 69, no. 4, pp.
410-431, Apr. 1981.
[9] J. G. Proakis, Digital Communications, 4th ed. New York:
McGraw-Hill, 2001.
[10] S. C. Thompson, J. G. Proakis, and J. R. Zeidler,
“Noncoherent Reception of Constant Envelope OFDM in Flat
Fading Channels,” inProc. IEEE PIMRC, vol. 1, Berlin, Sept.
2005, pp. 517–521., 2000.
[11] H. E. Rowe, Signals and Noise in Communication
Systems. Princeton,N. J.: D. Van Nostrand Company, Inc.,
1965.

-6-
 CNTA ’09 Université A.MIRA BEJAIA

Analyse des Séquences Pseudo aléatoire 212-1

pour les Simulations de Transmission optique
aux Formats de Modulation PSK
H. BADAOUI *, Y. FRIGNAC**, B.-E. BENKELFAT** et M. FEHAM*
*Laboratoire des Systèmes et Technologie de l’Information et de la Communication
Département de Télécommunication
Université Abou-Bekr Belkaid, BP 230, Pôle Chetouane - 13000 Tlemcen - Algérie
**Institut TELECOM & Management SudParis, 9, rue Charles Fourier - 91011 Evry Cedex - France
E-mail : elnbh@yahoo.fr

propagation, à cause de l’interaction des différents effets

Résumé –– Cette communication se rapporte à la
génération et l ’analyse d es s équences de données dites
séquences ps eudo-aléatoires binaires qui pr ésentent de s
propriétés t rès i ntéressantes. En pa rticulier, no us a llons
s’intéresser q ue l a f onction d ’autocorrélation et les
propriétés statistiques.
Mots cl és — PRBS, reg istre L SFR, polynôme p rimitif
irréductible, corps de Galois d’ordre deux.
I. INTRODUCTION
L es séquences pseudo-aléatoires sont de grande importance
pour une variété d'applications. Elles sont facilement
produites par des procédures récursives et sont connues sous
plusieurs noms comme : séquences récursives (recursive
sequences RS), séquences pseudo aléatoire (pseudo-random
sequences PRS), séquences de longueur maximale (Maximal
Length Sequences MLS), et séquences de bruit (Pseudo Noise
PN). Ces séquences sont utilisées dans plusieurs domaines tels
que : l’étalement de spectre à séquence directe DSSS (Direct
Sequence Spread Spectrum), le déchiffrage et chiffrage en
cryptographie, les techniques de brouillage (scrambling) [1], la
détection des erreurs et beaucoup d’autres applications.
Pour estimer la performance d’un système de transmission
optique, nous sommes obligé de la tester expérimentalement
ou par l’intermédiaire des simulations numériques car le
principe de ces dernières réside dans la résolution numérique
de l’équation non-linéaire de Schrödinger qui décrit la
propagation d’une onde lumineuse. Or cette équation n’est pas
résoluble analytiquement, sauf pour des cas particuliers
(solitons par exemple). Le motif élémentaire d’un signal
optique transmis dans une fibre est appelé symbole. Au début
de la transmission, les données envoyées par l’émetteur au
récepteur ne portent aucune dégradation. Au cours de la
(dispersion chromatique, effets non linéaires, bruit, etc)
certains symboles transmis sont plus dégradés que d’autres.
Donc, pour ne pas surestimer ou sous-estimer la performance,
la séquence des données qui est censée tester la performance
du système, doit contenir autant des cas éventuellement
dégradés par la transmission que de cas pas beaucoup
affectés. Les séquences les plus réalistes (ou plutôt le cas
idéal) sont des séquences aléatoires de longueur infinie.
Simuler une transmission optique avec une telle séquence
requiert alors un très long temps de calcul et une place
mémoire importante, ce qui peut vite dépasser la puissance de
la machine. Donc, l’idée clé réside sur l’utilisation des
séquences dites séquences pseudo-aléatoires ou séquences
PRS (Pseudo-Random s équences). Ces séquences sont des
séquences déterministes qui contiennent l’ensemble des
arrangements possibles de m symboles (sauf un). Une autre
propriété intéressante de ce type de séquences est que leur
fonction d’autocorrélation ressemble à la fonction
d’autocorrélation des processus blancs [2]. C’est pour ces
raisons qu’on les appelle pseudo-aléatoire (PRS). Le choix de
la longueur de la séquence utilisée peut avoir un impact sur les
résultats de la simulation. En effet si la dispersion cumulée
dans le système est élevée et la séquence est trop courte, une
impulsion d’un temps-bit s’élargie temporellement sur une
durée supérieure à la durée de la séquence, ce qui implique
une perturbation des résultats de simulation (Il faut noter que
ça tient juste pour un format de modulation en amplitude, par
exemple NRZ). Donc, la longueur des séquences utilisées pour
les simulations est un paramètre très important. Dans la suite
de cet article, on ne va pas s’intéresser aux problèmes de la
longueur des séquences.
 CNTA ’09 Université A.MIRA BEJAIA

II. GENERATION D’UNE SEQUENCE PSEUDO-ALEATOIRE polynômes primitifs du même ordre. Ces derniers sont dans la
BINAIRE « PRBS» forme :
m
La génération des séquences pseudo-aléatoires repose h ( x ) = ∑ hi x i (2)
théoriquement sur les propriétés du corps de Galois [3]. Elles i =0
ont une longueur impaire, égale à 2m-1 bits. Avec :
Les séquences binaires pseudo aléatoires peuvent être h=0 h=
m 1
construites en utilisant un registre à décalage bouclé par une 
ou plusieurs portes Ou-exclusif. Ce type de générateur de h j ∈ {0,1} , 0< j<m
séquences binaires pseudo aléatoires s'appelle un registre à
décalage linéaire de contre réaction LFSR (Linear f eedback Les liaisons du registre à décalage correspondent aux
shift r egister). La Fig. 1 illustre un exemple d’un schéma de coefficients des polynômes primitifs, en effet il existe toujours
principe d’un LSFR utilisé pour la génération d’une séquence la première et la dernière liaison puisque h 0 =h m =1.
PRBS. Le registre à décalage est composé de m cellules, en Le tableau.2 illustre une table de polynômes primitifs pour de
générale, pouvant contenir chacune un bit. A chaque impulsion différentes valeurs de m.
de l’horloge, les bits sont décalés d’une section sur la droite.
Le bit chassé de la section la plus à droite constitue la sortie du
registre. Comme les bits sont décalés vers la droite, il est
nécessaire de fournir au registre une nouvelle valeur pour la
dernière cellule à gauche. Cette valeur est fournie par une
fonction de rétroaction qui calcule le nouveau bit en fonction
des entrées des portes Ou-exclusif.

ai + 3 ai + 2 ai +1 ai
Séquence de sortie

Fig. 1. Schéma de principe d’un LSFR [4]

Tableau. 2. Quelques polynômes primitifs appartenant au corps de GF(2) [5]
Les coefficients {a i }, i 0 :2 -2 et {a i }, i ∈ {0,1}, présentent
m

les bits décalés par le registre vers la droite à chaque impulsion
de l’horloge. Pour l’exemple de la Fig. 1, la relation de
récurrence est donnée par l’équation (1) :
ai + 4 = ai +1 ⊕ ai
La Fig. 2 montre un schéma d’un registre LSFR propre à un
polynôme primitif h(x) . Si h j =1, la liaison de rétroaction entre
deux cellules voisines a i+j et a i+j-1 existe, par contre si h j =0,
elle n’existe pas.
(1)

Où la sommation correspond à une sommation modulo-2,

hi + m hi +m−1 hi + 2 hi +1
d’ailleurs, équivalente à une porte « XOR ». Elle possède deux
entrées et une sortie. Pour que la sortie soit au niveau logique
ai +m−1 ai +m−2 ai + 2 ai +1 ai
"1", il faut que le niveau sur seulement une des deux entrées Séquence de sortie

soit égal à "1" (Tableau.1). Fig. 2. Schéma d’un registre LSFR propre à un polynôme primitif h(x )

⊕ 0 1 Nous pouvons décrire la génération des séquences PRBS

0 0 1
1 1 0 aléatoire sur chaque flip-flops nommé cellule avec la
Tableau. 1. Table de vérité d’une porte ou exclusif
Les liaisons du registre à décalage sont basées sur un
polynôme primitif irréductible h(x) d’ordre m (polynôme de
Galois) qu’on peut le choisir parmi un certain nombre de
par un LSFR en trois étapes :
Etape1: initialisation des paramètres {ai }i =0:m−1 comme
restriction de ne pas les présenter avec des valeurs toutes
nulles car cela impliquerait une sortie constamment nulle, (si
les deux entrées d’une porte XOR sont au niveau logique "0",
la sortie donne un niveau logique "0").
Etape2 : calcul des autres paramètres {ai }i = m: 2 m − 2 par
l’utilisation d’une séquence récurrente de la forme :
 CNTA ’09 Université A.MIRA BEJAIA

a(m + i ) = hm −1 a i + m −1 + hm − 2 a i + m − 2 + ... + h1 a i +1 + h0 a i
m
(3) a a a a  = 1 0 0 0
 3 2 1 0
 
( )
Avec: i = 0 : 2 − 2
 4 = a1 ⊕ a0
a
Etape3 : La PRBS est obtenue à partir des valeurs successives a = a ⊕ a
du bit le moins significatif. La séquence construite est  5 2 1

a 6 = a 3 ⊕ a 2
périodique de longueur maximale ( L = 2m − 1 ). Puisque la 
longueur d’une séquence PRBS est impair donc il y a une a 7 = a 4 ⊕ a 3
dissymétrie entre les bits «1» et les bits Etape2 : a8 = a5 ⊕ a 4
« 0 ».L’équiprobabilité des « 1 » et des « 0 » dans une 
a 9 = a 6 ⊕ a 5
PRBS n’est pas parfaitement réalisée. a = a ⊕ a
On présente un exemple où on s’intéresse à générer une  10 7 6

a11 = a8 ⊕ a7
séquence PRBS de longueur égale à 15 = (24-1) bits. Pour 
obtenir une telle séquence il nous faut un LFSR illustré sur la a12 = a9 ⊕ a8
Fig. 3. a13 = a10 ⊕ a9

a14 = a11 ⊕ a10
Etape3 :
a4 La séquence PRBS de sortie est :

a3 a2 a1 a0
a0 a1a 2 a3 a 4 a5 a6 a7 a8 a9 a10 a11a12 a13 a14
(a0 a1a 2 a3 a 4 a5 a6 a7 a8 a9 a10 a11a12 a13 a14 ) = (000100110101111)
Ce LSFR peut produire 2 − 1 séquences binaires pseudo-
4
Fig. 2. Exemple d’un schéma de principe d’un LSFR aléatoires équivalentes par une permutation circulaire. La
Fig.5 illustre le principe d’obtention des séquences
D’une manière générale, le diagramme d’état suit une
équivalentes [6].
succession de ( 2 m − 1 ) états, à partir d’un registre LSFR.
Suivant notre exemple, le diagramme d'état pour le LFSR 0 1
000100110101111 000100110101111
consiste en 15 états différents de 4 bits. Chaque nouvel état est 00100110101111 0
0 0

obtenu par le décalage de l’état précédent d’un seul bit à la 0100110101111 00 0

100110101111 000 0
droite, et remplacement du bit a gauche par le résultat d'une 00110101111 0001
addition module 2 correspondant à l'ensemble de « taps » 0110101111 00010 1
110101111 000100 1
utilisé. La Fig. 4 illustre le principe du diagramme d’état pour 10101111 0001001
le LSFR. 0101111 00010011
101111 000100110 1
1
Nombre des états États 01111 0001001101
1111 00010011010
111 000100110101 0
1
0 1 0 0 0 11 0001001101011 1
1 00010011010111 1
0
1 0 1 0 0
2 0 0 1 0 (a) (b)
3 1 0 0 1
Fig. 3: (a) Illustration de 24 − 1 séquences équivalentes par un décalage vers
4 1 1 0 0
la droite. (b) Illustration de 2 − 1 séquences équivalentes par permutation
4
5 0 1 1 0 circulaire
6 1 0 1 1
La sommation modulo 2 de deux séquences PRBS
7 0 1 0 1 équivalentes forme une séquence PRBS qui appartient à
8 1 0 1 0 l’ensemble des séquences équivalentes obtenues par
9 1 1 0 1 permutations circulaires.
Suite à notre exemple, la sommation modulo 2 des deux
10 1 1 1 0 premières séquences PRBS produit la cinquième séquence
11 1 1 1 1 PRBS. De même, on pourrait aussi construire une séquence
12 0 1 1 1 PRBS à partir de l’équation de récurrence (3). Pour obtenir
une telle séquence il nous faut un polynôme primitif sur GF(2)
13 0 0 1 1 d’ordre m=4. A partir du tableau.2 nous
14 0 0 0 1 obtenons h( x ) = x4 + x + 1 .
15=0 1 0 0 0

Fig. 4. Principe du digramme d’état pour la LSFR

Etape1 : On commence par l’état initial:
 CNTA ’09 Université A.MIRA BEJAIA


Etape1 : Nous prenons comme état initial  a3 a2 a1 a0  
   ρ (0 ) = 1
(
égale à 1 0 0 0 , ) 
 (4)


 ρ (i ) = − L
1
1 ≤ i ≤ 2m − 2
a4 = h3a3 + h2 a2 + h1a1 + a0
 
a5 = h3a4 + h2 a3 + h1a2 + a1
a6 = h3a5 + h2 a4 + h1a3 + a2 La Fig. 7 illustre le principe de la fonction d’autocorrélation

a7 = h3a6 + h2 a5 + h1a4 + a3 d’une séquence pseudo-aléatoire binaire.
a = h a + h a + h a + a
Etape2 : a = h a + h a + h a + a
8 3 7 2 6 1 5 4

La fonction d’auto corréaltion ρ(i)

 9 3 8 2 7 1 6 5 1 1 1
a = h a + h a + h a + a
 10 3 9 2 8 1 7 6
a11 = h3a10 + h2 a9 + h1a8 + a7

a12 = h3a11 + h2 a10 + h1a9 + a8
a13 = h3a12 + h2 a11 + h1a10 + a9

a14 = h3a13 + h2 a12 + h1a11 + a10


Etape3 : 0 1/L i
2m − 1 2 × (2 m − 1)
La séquence PRBS de sortie est : T

(a0a1a2a3a4a5a6a7 a8a9a10a11a12a13a14 ) = (000100110101111)

Fig. 7. La fonction d’autocorrélation d’une séquence pseudo aléatoire binaire

Sur la Fig. 6, on présente une séquence binaire pseudo

La fonction d’autocorrélation est périodique. C'est-à-dire :
aléatoire (PRBS) de longueur 2 4 − 1 .
ρ (i ) = ρ (i + L ) (5)
1

0.9 La séquence PRBS a la particularité, lorsqu’elle est

0.8 corrélée, de n’offrir qu’un seul maximum de corrélation à
0.7 l’origine. En effet, elle est une suite aléatoire de bit de
0.6
longueur finie de telle manière que deux bits successifs ne
seront pratiquement pas corrélés,
0.5
La fonction d’autocorrélation d’une séquence réelle (ou
complexe) a0 , a1 , a2 ,.., a L−1 est définit comme :
0.4

0.3

0.2
1 L −1
0.1 ρ (i ) = ∑ a j a i+ j (6)
L j =0
0
0 100 200 300 400 500 600 700 800
Avec: i = 0,±1,±2,...
Temps bit

Fig. 6. Une séquence PRBS de longueur 2

4
− 1 . La séquence: 0 0 0 1 0 0 1 Une fonction d’autocorrélation physique en associant un
10101111 niveau -1 ou 1 à une séquence binaire
(selon (− 1)a0 , (− 1)a1 ,..., (− 1)a L −1 ) est donnée par :
III. PROPRIETES DES SEQUENCES PRBS
1 L −1
On distingue certaines propriétés intéressantes des ρ (i ) = ∑ (− 1) j j + i
a +a
(7)
séquences PRBS. Nous les décrivons dans les sous-parties L j =0
suivantes. Avec: i = 0 : 2 m − 2 ,
A. LA FONCTION D’AUTOCORRELATION L étant la longueur de la séquence et a i+L =a i

La fonction d’autocorrélation d’une séquence binaire L’équation (7) est obtenue tout en remplaçant les bits « 1 »
pseudo-aléatoire a 0 a1 .......a L − −1 de longueur L est donnée par une valeur de « -1 » et les bits « 0 » par une valeur « +1 ».
par : B. LA PERIODICITE
Les séquences PRBS générées et montrées sur la Fig. 1, sont
m
des séquences périodiques d’une période de 2 − 1 bits.
 CNTA ’09 Université A.MIRA BEJAIA
C. PROPRIETES STATISTIQUES
La longueur L des séquences PRBS est définie comme
suit :
L = 2m − 1
En effet, comme leur longueur est impaire, il y a forcement
un déséquilibre entre le nombre de « 1 » et le nombre de « 0 ».
L’équiprobabilité des « 1 » et des « 0 » dans une PRBS n’est
plus parfaitement satisfaite [7].
m −1
Le nombre de « 1 » est égal à : 2 .
m −1
Le nombre de « 0 » est égal à : 2 −1.
IV. RESULTATS DE L’ANALYSE DES SEQUENCES BINAIRES
PSEUDO-ALEATOIRES « PRBS »
Afin de caractériser une séquence quelconque par rapport à
sa capacité de posséder des propriétés du type pseudo-
aléatoire, on va s’intéresser à tester la fonction
d’autocorrélation des différentes séquences binaires utilisées
couramment pour des simulations numériques et celle de la
séquence des changements d’état pour un nombre de cellule m
constituant le registre LSFR égale à 12. On peut dire qu’une
séquence possède de bonnes caractéristiques pseudo-aléatoires
si sa fonction d’autocorrélation présente un tracé
complètement plat. De plus, nous allons effectuer une analyse
statistique d’une séquence PRBS et celle de la séquence des
changements d’état.
A. NOMBRE D E C ELLULES EGAL A 12, P OLYNOME
PRIMITIF h( x) = x12 + x 7 + x 4 + x3 + 1
Dans la Fig. 8, on présente les fonctions d’autocorrélation
pour deux types de séquences à m=12, correspondant à une
séquence pseudo-aléatoire binaire et sa séquence des
changements d’états. Cette dernière est obtenue par le
« multiplexage » entre un bit et le bit précédent afin d’obtenir
un symbole. Ce qui suit, on dira que la séquence des
changements d’états est une séquence quaternaire qui peut
prendre les valeurs 0, 1, 2 ou 3. Par exemple une séquence
binaire « 0101110 » a sa séquence des changements d’état
« 1213320 ».
La fonction d’autocorrélation d’une séquence PRBS est
assimilée par un pic de Dirac à l’origine d’amplitude égale à 1,
ceci traduit le fait que, lorsqu’elle est corrélée, de n’offrir
qu’un seul maximum de corrélation. D’autre part, si on décale
la séquence d’un seul bit la fonction d’autocorrélation sera
constamment nulle, c’est-à- dire la séquence PRBS est
décorrelé hors de l’origine ce qui confirme que les bits sont
totalement indépendants.
1.2
1
0.8
0.6
0.4
(8)
Fig. 8. La fonction d’auto corrélation de la séquence pseudo aléatoire binaire
de 4095 bits.
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
0 500 1000 1500 2000 2500 3000 3500 4000 4500
Fig. 9. La fonction d’auto corrélation de la séquence des changements d’état
de 4095 symboles.
De même et d’après la Fig. 9, on remarque que la fonction
d’autocorrélation de la séquence des changements d’état est
similaire à celle de la PRBS, mais elle n’est pas une séquence
quaternaire pseudo-aléatoire. La propriété de la séquence des
transitions d’une PRBS qui manque pour qu’elle soit une
PRQS, est qu’elle ne contient pas tous les enchaînements
possibles de m symboles.
Dans le cas d’une séquence PRBS, on a quatre cas de
corrélation et la probabilité d’avoir deux bits similaires est
identique à la probabilité qu’ils soient différents. En effet,
pendant le calcul de la fonction de corrélation si les deux bits
sont égaux on ajoute un « 1 » à la fonction de corrélation et
s’ils sont différents on enlève un « 1 ». Par contre, dans le cas
d’une séquence PRQS, on a 16 cas de corrélation et la
possibilité d’avoir deux symboles similaires est moins
probable que celle d’avoir deux symboles différents. La
fonction de corrélation permet de quantifier le taux de
ressemblance entre les symboles. Si les deux symboles sont
égaux on ajoute un « 1 » et s’ils sont différents on enlève un
« 1/3 ». D’après les statistiques d’une PRBS, on remarque que
le nombre des « 1 » est supérieur au nombre des « 0 ». En
effet, puisque la longueur de la séquence est assez grande, la
probabilité d’avoir des « 0 » est presque égale à celle des « 1 ».
Ceci est similaire pour la séquence des changements d’état qui
contient un nombre des zéros inférieur aux autres symboles à
savoir « 1 », « 2 », « 3 ». Ceci est illustré dans le Tableau. 3.
 CNTA ’09 Université A.MIRA BEJAIA

Etats 0 1 0 1 2 3
Nombre 2047 2048 1023 1024 1024 1024
Probabilité 0.4998 0.5001 0.2498 0.2500 0.2500 0.2500

Tableau. 3. Analyse d’une séquence PRBS de 4095 bits

La longueur de la séquence binaire à simuler est un

paramètre très important. Des études ont montré que des
séquences très longues, jusqu’à 215 bits voire plus, sont
nécessaires pour que les résultats de simulation d’une
transmission à 40 Gbit/s soient significatifs [8].

V. CONCLUSION

Pour émuler un trafic de données réelles d’une transmission

utilisant un format de modulation PSK avec deux niveaux de
phase, on se dirige vers des séquences pseudo-aléatoires
binaires, PRBS. Des analyses pour une longueur égale à 4095
bits ont été faites afin de confirmer ses propriétés telles que le
comptage des états et sa fonction d’autocorrélation.

REFERENCES

[1] A. Afaq, « Development of State Model Theory for External Exclusive

NOR Type L SFR S tructures », Proceedings Of World Academy Of
Science, Engineerings And Technology Volume 10, Dec. 2005.

[2] John Proakis, « Digital communications », 4th edition.

[3] H. Badaoui, « Annexe », Mémoire de Magister en systèmes et réseaux

de télécommunications, Université de Tlemcen, 2008.

[4] F. Jessie, M. Williams & Neil J. A. Sloane, « Pseudo-Random

Sequences and Arrays », IEEE, Vol. 64, N°. 12, Dec. 1976.

[5] http://www.theory.cs.uvic.ca/~cos/gen/poly.html

[6] http://en.wikipedia.org/wiki/Linear_feedback_shift_register.

[7] Y. Frignac, « Contribution à l ’Ingénierie d es S ystèmes d e

Transmission Terrestres sur Fibre optique utilisant le Multiplexage en
Longueur d’onde de Canaux Modulés au Débit de 40 Gbits/s », Thèse
de Doctorat, Ecole Nationale Supérieure des Télécommunications, Avr.
2003.

[8] T. Fauconnier, « Etude d'un nouveau f ormat d e m odulation: l a

DQPSK ‘ Differential Q uaternary P hase Shift Keying’ », Stage de Fin
d’Etude, Unité de Transmissions WDM d'Alcatel a Marcoussis, 2005.
 CNTA ’09 Université A.MIRA BEJAIA

UTILISATION DES HOS POUR LES CALCUL DU FILTRE OPTIMAL EN DMT

Hocine BELLAHSENE Mabrouk DJEDDI Jean Michel ROUVAEN

Département TCSN Département FHC IEMN UMR 8520
Université A/Mira, Béjaia Université Boumerdès 35000 Université de valenciennes
Algérie Algérie France
bellahsene_ho@yahoo.fr
Résumé—La technique de réduction du canal effectif par séparées par un bloc de données.
algorithmes ad aptatifs au todidactes a c onnu u n e ssor
considérable. Elle es t t rès u tile p our maintenir Data
l’orthogonalité des sous porteuses lors de la modulation CP Data CP Data
à p orteuses multiples et p ermet d e ré duire d e manière
conséquente l a co mplexité d e l ’algorithme de d étection -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
multi-utilisateurs. N ous r evoyons da ns c e pa pier
l’égalisation p ar r éduction d e c anal. N ous u tilisons l e
calcul du maximum de kurtosis po ur r etrouver le f iltre
TEQ o ptimal a insi que l e délai de synchronisation da ns
l’algorithme d u M SSNR ( Maximum Shortening Signal y (2)
= h0 s (2) + h1 s (1) + h2 s (0) + h3 s ( −1) + h4 s ( −2)
to N oise R atio). N ous c omparons l e f iltre op timal
= h0 s (10) + h1 s (9) + [ h2 s (0) + h3 s ( −1) + h4 s ( −2) ]
retrouvé par d’autres méthodes et celui retrouvé avec la .
méthode du maximum du kurtosis.
y (10) = h0 s (10) + h1 s (9) + [ h2 s (8) + h3 s (7) + h4 s (6) ]
Mot s clé—DMT, HOS, égalisation, multiporteuses.
Figure 1. rajout du CP à la trame de données.
I. INTRODUCTION
Lorsque le CP est ajouté au début de la trame, les P
Certaines méthodes permettent de retrouver le canal et derniers symboles du bloc de données de taille N sont
de calculer l’égaliseur optimal [9]. Les autres sont dites
réinjectés au début de celui-ci. Ainsi, les N + P données
sous-optimales et/ou adaptatives [14]. La plupart des
transmises deviennent périodiques. Cette périodicité est
approches par modèle TEQ (Time domaine Equalizer) ne
nécessaire pour maintenir l’orthogonalité des multiporteuses
sont pas adaptatives, elles nécessitent l’apprentissage ou une
[12]. Les P derniers symboles sont identiques aux P
estimation de canal avec des calculs assez lourds à mettre en
premiers et nous pouvons écrire :
œuvre. L’algorithme que nous améliorons dans cet article
est celui de MERRY (Multicarrier Equalisation by s ( Mk +=
i ) s ( Mk + i + N ), i ∈ {1, ..., P} , (1)
Restoration of RedundancY) [6][13]. Nous proposons une
méthode basée sur les statistiques d’ordres supérieurs, dite où M= P + N est la durée de tous les symboles et k est
par maximum du kurtosis, et nous calculons également le l’indice de chaque symbole. La figure 1 montre un exemple
délai optimum ainsi que le filtre optimal lui correspondant. où l’on prend = N 8,= P 2 et M = N + P = 10 correspondant
à k = 0 . Les données reçues r sont obtenues à partir de
II. APPLICATION DE LA REDUCTION DE CANAL A s selon la relation suivante :
L’EGALISATION A PORTEUSES MULTIPLES
Lc

A. Algorithme d’égation multiporteuse par rétablissement r=

( Mk + i ) ∑ c .s(Mk + i − l ) + n(Mk + i),
l
(2)
de redondance
l =0

L’algorithme MERRY (Multicarrier Equalization by Les données égalisées y sont obtenues à partir de r suivant
Restoration of RedundancY) exploite la redondance cette équation :
introduite dans les données à travers le préfixe cyclique Lf

(figure 1) [6]. C’est une approche basée sur la minimisation

de l’espérance mathématique du carré de la différence
y=
( Mk + i ) ∑ f .r (Mk + i − j ),
j =0
j
(3)

cyclique qui est la différence entre des valeurs de y

La relation donnée par (1) est détériorée à cause du canal
 CNTA ’09 Université A.MIRA BEJAIA

lors de la réception des données, car les ISI qui affectent le   ∗

δ −1 Lh

J
= 2σ ∑ h +∑ h T
 + 2f R n f
2 2

 (6)
2

CP sont différents de ceux qui affectent les P derniers

 
δ s j j

éléments du symbole. Considérons l’exemple de la figure 1,
Les éléments transmis 2 et 10 sont identiques. Cependant,
au niveau du récepteur, l’interférence des éléments avant
l’élément 2 ne sont pas toutes égales à celles qui sont avant
l’élément 10. Si on considère h2 , h3 et h4 nuls, alors
y (2) = y (10) car s (2) = s (10) et s (1) = s (9) . Il est clair que
pour avoir y (2) = y (10) il faut forcer h2 , h3 et h4 à zéro
(éléments se trouvant entre crochets dans la figure 1), cette
égalité étant prise dans le sens des moindres carrés. Nous
rendons de cette façon le canal effectif de taille équivalente
à celle du CP.
B. La fonction coût de l’algorithme
La fonction coût de l’algorithme MERRY se traduit par
l’équation suivante :
=J E  y ( Mk + P + δ ) − y ( Mk + P + N + δ )  ,
2
j= 0 j= δ + P
Dans le cas où la réduction du canal utilisée est
autodidacte et non adaptative, alors la matrice
A = E rr
  H  peut être estimée à partir des données. Le
vecteur propre correspondant à la valeur propre minimale
peut être calculé, ce qui fournira une technique
d’initialisation pour éviter les modes de convergence lents.
D. La réduction de canal optimale
La réduction de canal optimale utilise un algorithme
basé sur le calcul des valeurs propres et des vecteurs propres
pour générer les coefficients du filtre réduit optimal. La
technique consiste à déterminer le filtre TEQ qui maximise
le rapport de réduction du signal sur le bruit dans une
fenêtre. Pour ce faire, il faut minimiser l’énergie de la
réponse impulsionnelle du canal effectif, à l’extérieur de la
fenêtre contenant les ( P + 1 ) échantillons. Nous reprenons
C win et C wall tels que définies dans [1], alors h win = C win f

  (4)
représente le canal effectif situé dans la fenêtre de taille
avec δ ∈ {0,..., M − 1} , δ étant le délais désiré (c’est le ( P + 1 ). Cependant h wall = C wall f donne le canal effectif en
coefficient de synchronisation). Le gradient stochastique de dehors de cette fenêtre. Le problème de conception du TEQ
(4) donne l’algorithme de réduction de canal adaptatif à base du MSSNR peut être décrit comme suit [1][4]
aveugle MERRY (Multicarrier Equalization by Restoration [9][11] :
of RedundancY) [8].
(
min f Af
T
) sous la contrainte f T
Bf = 1, (7)
C. Algorithme MERRY f

où A et B sont des matrices réelles [7], symétriques L f × L f

Pour un δ donné , le symbole k = 0,1, 2,....,
avec :
) r ( Mk + P + δ )
r ( k=
−r ( Mk + P + N + δ ) A = CTwall Cwall , B = CTwin Cwin (8)
(5)
e( k ) = f ( k )r ( k )
T

fˆ ( k + 1)= f ( k ) − µ e( k )r ( k )
*
Elles représentent, respectivement, les énergies
f ( k + 1) =
fˆ ( k + 1) correspondant à C wall et C win où :
fˆ ( k + 1)
T T T T
h wall h wall f=
= C wall C wall f f Af (9)
()
T
avec r (i ) =  r (i ), r (i − 1),..., r (i − L f )  , et *
est le conjugué
T T T T
complexe. Pour éviter la solution triviale ( f = 0 ) nous = h win h win f= C win C win f f Bf (10)
devons prendre f = 1 . La résolution de l’équation (7) mène au TEQ qui donne la
solution du problème de vecteurs propres généralisé [12],
L’algorithme représenté par (5) donne le vecteur propre
nous avons par conséquent :
minimal de la matrice A = E rr   H  . Soit C la matrice canal
Bf = λ Af (11)
de convolution autrement dit h = Cf et soit Cwall obtenue par
suppression de δ lignes des δ + P − 1 de C . Si l’entrée s ( k ) où λ est la valeur propre généralisée correspondant au
vecteur propre généralisé f , qui est la solution de l’équation
est blanche, alors A = C wall C wall . L’énergie à l’extérieur de la
T

(11).
fenêtre du canal effectif plus le gain du bruit est donnée

( ) ( )
−1
comme suit : T
−1

C= B A B (12)

L’inverse de la matrice A est retrouvé par factorisation de

 CNTA ’09 Université A.MIRA BEJAIA

Cholesky. Les TEQ sont alors donnés par : l’algorithme classique [7] en donnant, en premier, une
valeur assez grande à µ (à savoir 0.75) ensuite, cette valeur
( B)
−1
T
f = q (13) est décrémentée par divisions successives. Nous proposons
dans ce papier une méthode itérative pour le calcul de µ .
où q est le vecteur propre correspondant à la valeur En effet, le pas de convergence divisé par le kurtosis
propre λ . Il est montré aussi [9] que l’algorithme converge normalisé donné par l’équation (15) de la séquence reçue à
l’entrée de l’égaliseur permet de tenir compte à chaque
globalement si q = q min est le vecteur propre minimal
itération de la séquence à l’entrée de l’égaliseur r (i ) . Ainsi,
correspondant à la valeur propre minimale λmin . C’est ainsi le pas de convergence du nouvel algorithme est calculé à
que le filtre TEQ optimal fopt est retrouvé [3]. partir d’un µ0 divisé à chaque itération par le kurtosis de
sorte à avoir :
L’expression du SNR réduit optimal (Shortening SNR ou
SSNR) est donnée par : µ0
µi+1 = , (18)
κ 4 ( r (i ) )
 fopt Bfopt   1
T

=SSNRopt 10
= log  T  10 log  
 fopt Afopt   λmin  (14) Par ce procédé, la mise à jour du pas de convergence dépend
des données reçues (c’est à dire des conditions de
SSNRopt = −10 log(λmin ) transmission du canal).

En somme, l’algorithme optimal utilise la matrice C ,
dont les éléments sont calculés à partir de H wall et H win . Le
SSNR optimal est retrouvé par calcul direct des valeurs
propres minimales de la matrice C . Les coefficients du
TEQ optimal sont finalement calculés par transformation
linéaire du vecteur propre unitaire associé à la valeur propre
minimale.
III. L’ALGORITHME MODIFIE
A. Calcul du pas de convergence par kurtosis
Le kurtosis normalisé d’une variable aléatoire s ayant
comme valeur moyenne s est défini par le rapport du
moment d’ordre quatre η 4 au carré du moment d’ordre
deux η 2 tous deux centrés. Les HOS (Higher Order
2
Statistics) définissent le kurtosis comme suit [5] :
η4
κ 4 (s) = , (15)
η22
B. Calcul du filtre optimal parmaximisation du kurtosis
Cette procédure débute à partir de tous les filtres réduits
fn ayant été trouvés à partir de l’équation (26), utilisant
l’algorithme du MSSNR [9]. Nous proposons de choisir le
filtre SCE (Shortened Channel Equalizer) optimal, non pas
en comparant les énergies de tous les filtres trouvés tels que
abordés par Martin et al. dans [8], mais plutôt en calculant
le kurtosis de chaque filtre. Nous avons ainsi :
y n= h ∗ f n , (19)
gn = κ4 ( yn ) , (20)
Réduire le canal revient à trouver un filtre tel que sa
séquence de sortie ait la même variance et le même kurtosis
maximum en valeur absolue qu’à l’entrée du filtre. Le filtre
optimal sera celui qui maximisera la quantité donnée par
(15). Le délai de synchronisation sera la valeur de l’indice
k qui correspondra à ce filtre, tel que :
k = arg {max ( g n )} . (21)
n

où, si E est l’opérateur espérance mathématique : Les résultats obtenus vont maintenant être discutés dans
la partie consacrée aux simulations.
η2 E s − s
= {( ) }, 2
(16)
IV. SIMULATIONS

E {( s − s ) },
4 Les données que nous utilisons lors de la simulation sont
η4
= (17)
L'excès (kurtosis standard) est défini par l'équation (15)
moins trois. Il s’annule lorsqu’il s’agit d’une distribution
normale [2][3][5]. D’ou tout l’intérêt à introduire ce
coefficient. En effet, sachant que le bruit additif est dans la
plupart des cas de type Gaussien, il est bien connu que les
statistiques d’ordre supérieur ne sont pas affectées par le
bruit. Par ailleurs, le pas de convergence est calculé dans
les huit CSA loop (Carrier Serving Area), utilisées dans le
standard ADSL. Nous allons utiliser les CSA1 et CSA4 lors
de nos simulations. Le CP est de taille P = 32 , la taille de
l’égaliseur est égale à 16 [10].
Afin de pouvoir comparer les résultats donnés par les
deux méthodes, nous nous proposons d’injecter à l’entrée
des deux algorithmes les filtres optimaux calculés par les
deux méthodes, à savoir celui calculé par MERRY optimal
 CNTA ’09 Université A.MIRA BEJAIA

et le filtre retrouvé par notre méthode (par maximum du

Fonction Coût MERRY

0
10
kurtosis), le pas de convergence étant déterminé par notre
technique d’itération dépendant de la séquence de données
ou de façon classique. Dans tous les cas nous choisissons un
SNR égal à 40dB.
0 100 200 300 400 500 600 700 800 900 1000
Fonction Coût MERRY

0
10
6
x 10
3.5

Débit binaire (bps)

3

2.5

2
0 100 200 300 400 500 600 700 800 900 1000

6 1.5
x 10 0 100 200 300 400 500 600 700 800 900 1000
4
Débit binaire (bps)

Nombre d'itération
3.5

3
Figure 3. Test du filtre optimal calculé par MERRY optimal pour le
2.5 CSA4.
2

1.5

Fonction Coût MERRY

0
0 100 200 300 400 500 600 700 800 900 1000 10
Nombre d'térations

rajout du CP à la trame de
Figure 2. Test du filtre optimal calculé par MERRY optimal pour le
CSA1.
0 100 200 300 400 500 600 700 800 900 1000

Le filtre optimal calculé par l’algorithme MERRY 4

x 10
6
Débit binaire (bps)

optimal (figures 2 et 3), montre que lorsque celui-ci est

injecté à l’entrée de l’algorithme de MERRY, l’amplitude 3.5

est égale à 1 et que beaucoup de fluctuations dans le tracé de

3
la convergence de la fonction coût peuvent être remarquées
pour les standards CSA1 et CSA4. Le débit est très instable 2.5
0 100 200 300 400 500 600 700 800 900 1000
relativement à la figure 6. Le délai optimal trouvé est égal à Nombre d'itérations
28.
Figure 4. Test du filtre optimal calculé par maximum du kurtosis pour le
L’amplitude au début est égale au tiers de la pleine échelle standard CSA1.
(approximativement 10-2) avec le CSA1 correspondant à un
délai optimal égal à 27. Le même délai ainsi que la même
Fonction Coût MERRY

0
10
amplitude sont trouvés pour le CSA 4 en figure 5. La
différence entre les deux boucles se situe au niveau du débit
qui pour le premier est relativement fluctuant autour de
3Mb/s, par contre il est stable à la valeur 1.5Mb/s, pour le
second.
0 100 200 300 400 500 600 700 800 900 1000
La figure 4 montre la convergence quasi instantanée de la 6
x 10
fonction coût de l’algorithme MERRY dès la première 3.5
Débit binaire (bps)

itération lorsque le filtre optimal est calculé par notre 3

méthode, c. à d. la maximisation du kurtosis pour retrouver 2.5

le filtre optimal. 2

1.5

1
0 100 200 300 400 500 600 700 800 900 1000
Nombre d'itérations

Figure 5. Test du filtre optimal calculé par maximum du kurtosis pour le

standard CSA4.
 CNTA ’09 Université A.MIRA BEJAIA

résultats trouvés ont été comparés avec ceux donnés dans la

Fonction Coût modifiée

0
10
littérature. Une nette amélioration de la stabilité du débit
ainsi que de la convergence de la fonction coût a été établie.
Par ailleurs, l’algorithme de réduction de canal adaptatif
aveugle par maximisation du kurtosis, dont le pas de
convergence a été calculé par kurtosis, donne de meilleurs
0 100 200 300 400 500 600 700 800 900 1000
résultats.
6
x 10
4
Finalement, il semble bien que les performances que
Débit binaire (bps)

3.5
nous avons trouvées et celles que nous avons améliorées,
sont le fruit de l'introduction de l’outil mathématique très
3 puissant que constituent les statistiques d'ordres supérieurs.
A travers les HOS High Order Statistics), nous avons pu
2.5
0 100 200 300 400 500 600 700 800 900 1000 stabiliser et augmenter la vitesse de convergence des
Nombre d'itérations
algorithmes de calcul déjà disponibles et nous avons
introduit une nouvelle méthode qui nous a permis d'obtenir
Figure 6. Test du filtre optimal par algorithme modifié pour le CSA1.
de meilleurs résultats.
La variation de la nouvelle fonction coût en fonction des
Fonction Coût modifiée

0
10
différents SNR est actuellement en cours d’étude et fera
l’objet de travaux futurs.

REFERENCES
0 100 200 300 400 500 600 700 800 900 1000 [1] P. J. W. Melsa, R. C. Younce et C.E. Rohrs, “Impulse R esponse
6
Shortening for d iscrete M ultitone T ranscievers,” IEEE Trans. on
x 10
3.5 comm., vol. 44, pp. 1662-1672, Dec. 1996. Clerk Maxwell, A
Débit binaire (bps)

3
Treatise on Electricity and Magnetism, 3rd ed., vol. 2. Oxford:
Clarendon, 1892, pp.68–73.
2.5
[2] B. Widrow, J. M. McCool, M. G. Larimore, et C. R. Johnson, Jr.,
“Stationary a nd Nonstationary Learning Characteristics of the LMS
2

1.5
1
0 100
Figure 7. Test du filtre optimal par algorithme modifié pour le CSA4.
Les figures 6 et 7 donnent le résultat du test du filtre
optimal calculé par maximum du kurtosis en plus du calcul
du pas de convergence calculé en utilisant les statistiques
d’ordre supérieur. Les performances dans ce cas sont
meilleures que celles trouvées précédemment, toutefois les
cas de figures de 4 à 7 restent très proches, mis à part que le
filtre optimal retrouvé par maximum du kurtosis est
réinjecté à l’entrée de l’algorithme de MERRY dont le pas
d’adaptation a été pondéré par le kurtosis du signal
d’entrée. Le débit reste stable surtout pour le CSA4,
spécialement après la 500ème itération. Le délai de
synchronisation est dans les deux standards égal à 27.
Il est à remarquer que les délais optimaux retrouvés avec
les nouveaux algorithmes sont identiques. Ils sont par
contre différents de ceux retrouvés dans la littérature [6].
Les approches adaptatives de réduction de canal aveugle
ont été reprises dans ce papier. Une nouvelle méthode de
calcul du filtre optimal par maximisation du kurtosis à été
proposée. Le délai de synchronisation a pu être calculé. Les
adaptive filter,” Proc. IEEE, vol. 64, pp. 1151-1161, Aug. 1976.
200 300 400 500 600 700 800 900 1000 [3] R. K. Martin, J. Balakrishnan, W. A. Sethares, et C. R. Johnson, “A
Nombre d'itérations Blind Adaptive TEQ fo r M ulticarrier S ystems,” IEEE Signal
Processing Letters, vol. 9, pp. 341-343, Nov. 2002.
[4] Ali.H Sayed “Fundamentals o f adaptive fi ltering,” publié par john
Wiley & Sons, Inc., Hoboken, New Jersey 2003.
[5] T. Pollet, M. Peeters, M. Moonen, et L. Vandendorpe “Equalization
for DM T-Based B roadband M odems,” IEEE comm. mag., vol. 38,
pp. 106-113, May 2000.
[6] R. K. Martin and C. R. Jonhnson, Jr, , “Adaptive E qualization:
Transitioning fr om s ingle-carrier to m ulticarrier systems,” in Proc.
IEEE Signal mag., vol. 22, pp. 108-122, nov. 2005.
[7] N. Al Dahir, “FIR C hannel-Shortening E qualizers f or M IMO ISI
Channels,” IEEE Trans. on comm., vol. 49, no2, pp. 213-218, Feb.
2001.
[8] D. D. Falconner, S. L. Ariyavisitaul, A. Benyamin-Seeyar, et B.
Eidson, “Frequency d omain equalization f or single-carrier
broadband wireless systems, ” IEEE Comm. Mag., vol. 40, pp. 58-66,
Apr. 2002.
[9] P. J. Melsa, P. J. W. Melsa, R. C. Younce et C.E. Rohrs, “Impulse
Response Shortening f or d iscrete Multitone T ranscievers,” IEEE
Trans. on comm., vol. 44, pp. 1662-1672, Dec. 1996.
[10] H. Minn, N. Al-Dhahir, et Y. Li, “Optimal Training Signals for
MIMO OFDM Channel Estimation in the Presence of Frequency
Offset and Phase Noise,” IEEE Trans. on comm., vol. 54, no10, pp.
1754-1759, Oct. 2006.
V. CONCLUSION [11] C. Y. Chi, C. Y. Chi, C. Y. Chen, C. H. Chen et C. C. Feng “Batch
processing Algorithms for blind equalization using higher o rder
statistics,” IEEE signal processing magazine, pp. 1053-5880, march
2003.
[12] J. L. Lacoume, J.L. Lacoume, P.O. Amblard et P. Comon,
"Statistiques d ’Ordre S upérieur p our le Traitement d u Signal, "
Edition, Masson, Paris, 1997.
 CNTA ’09 Université A.MIRA BEJAIA

[13] I. Chahed, H. Bellahsene, J. M. Rouvaen et M. Djeddi, “Selection of Multitone M odulation S ystems,” IEEE Trans. on Signal Processing,
the order of ARMA model using Kurtosis minimisation. Application vol. 53, pp. 3880-3894, April 2005.
to blind deconvolution of seismic data,” in proceding AMSE, vol. 47,
no 2, pp. 77-89, 2004.
[14] R. K. Martin, K. Vanbleu, M. Ding,G. Ysebaert, M. Milosevic, B. L.
Evans, M. Moonen, et C. R. Johnson, Jr., “Unification and Evaluation
of Equalization Structures and Design A lgorithms f or D iscrete
 1

Application du filtrage Adaptatif non linéaire, basé

sur le LMS à pas d’adaptation variable, à
l’annulation d’écho acoustique en
Télécommunication.
A.Manseur (1) , A.Mekhmoukh(2) , R.Dib(2) ,Baali Hamza(1)
(1)
Département d’Electronique , Ecole Nationale Plytechnique , Algérie
(2)
Département d’Electronique, Université de Bejaia, Algérie
manseurghani@yahoo.fr, abdmek@yahoo.fr, riad_dib@yahoo.fr, baalihamza@yahoo.fr

Résumé—Le travail effectué , dans cet article , consiste à
étudier le filtrage adaptatif , en général et le LMS à pas
d’adaptation variable , dans le cas linéaire, qu’on a étendu au
cas non linéaire via les séries de Voltera pour améliorer les
performances de ces filtres. Cette étude s’est , principalement
axée sur : le choix du pas d’adaptation et les conditions de
convergence , le taux de convergence et l’expression du pas de
convergence , d’une manière adaptative , en fonction du signal
d’entrée.
L’application de ces filtres adaptatifs à des signaux de parole
réels , a démontré leur capacité en poursuite , tout en gardant
une complexité de calcul relativement appréciable.
Mots clefs : Facteur de convergence , Filtrage adaptatif , filtres
non linéaires , séries de Voltera , Traitement de la parole.
Astract—The performed job , in this article , consiste in
studying adaptative filters , in general , and the variable step
LMS , in the linear case. To ameliorate the performances of our
filter , an extension of linear case to non linear filters via Voltera
series is given. This study is , principally , axed on : Choice of
the adaptation step and convergence conditions , convergence rate
and adaptative variation of the convergence factor , according to
the entrance siganl.
The obtained results , with real signals , have shown computa-
tionally effcient and numerically satble algorithms for adaptative
nonlinear filtring while keeping relatively simple computational
comlexity.
Key words :Convergence factor , Adaptative filtring , non
linear filters , Voltera serie.
I. I NTRODUCTION
e filtrage est dit adaptatif, s’il y a modification de ses
L paramètres à chaque fois qu’il y a un changement dans
le signal d’entrée. L’algorithme de filtrage adaptatif met à jour,
récursivement, les coefficients du filtre, afin de lui permettre
de suivre l’évolution du processus. Si celui-ci est stationnaire,
l’algorithme doit converger vers la solution optimale de Wie-
ner, sinon il présentera une capacité à suivre les variations
des grandeurs statistiques du processus.En dépit de la grande
importance des filtres et systèmes de modélisation linéaires
dans de larges éventails de situations, il existe de nombreuses
applications dans lesquelles ils affichent leurs limites de per-
formance. En présence de bruit multiplicatif, par exemple,
les performances des filtres linéaires sont insuffisantes. Pour
cette raison, récemment, beaucoup d’attention a été donnée
à la modélisation non linéaire des systèmes via les séries
de Volterra [1]. Dans la famille des filtres non linéaires on
trouve la classe des filtres polynomiaux (de Volterra). Ce type
de filtre trouve son application dans de nombreux domaines
comme le traitement du signal, les systèmes de communica-
tion, l’annulation d’écho et l’identification des systèmes [2].
Dans ce travail, nous allons étendre l’étude du filtrage
adaptatif linéaire aux systèmes non linéaires , à l’aide des
séries de Volterra dans l’égalisation adaptative des canaux
de communication non linéaire, pour l’annulation de l’écho
acoustique. Le point clé des filtres de Volterra , est que la
sortie du filtre est linéairement dépendante par rapport aux
coefficients du filtre [1], [3] et [4].
II. F ILTRE OPTIMAL DE W IENER
Considérons la figure 1, où est représenté un filtre adaptatif
transversal Hk [5]. Le but du filtre optimal est d’obtenir
en sortie une réponse yk la plus proche possible du signal
désiré dk lorsque l’entrée est une séquence xk . Plusieurs
fonctions coût permettent d’obtenir une configuration optimale
du filtre. Parmi elles, l’erreur quadratique moyenne est la plus
usuelle, car elle conduit à des développements mathématiques
complets et simples, de plus, elle fournit une solution unique.
F IG . 1. Filtre linéaire adaptatif transversal
 2

IV. A PPLICATIONS DU FILTRAGE ADAPTATIF

Le filtre optimal de Wiener minimise l’erreur quadratique Le filtrage adaptatif trouve ses applications dans divers
moyenne notée J, qui est donnée par : domaines [6], [9] et [10]
  – L’identification de systèmes.
2 – La prédiction.
J = E |ek | (1)
– La modélisation inverse.
Le signal d’erreur sera donné comme suit : – L’annulation d’interférences.

ek = dk − HkT Xk = dk − XkT Hk (2) V. L E LMS À PAS D ’ ADAPTATION VARIABLE

D’où : Dans l’algorithme LMS, le pas d’adaptation est fixe (inva-
riant dans le temps). Quelque soit les coefficients du vecteur
J = E[(dk − HkT Xk )2 ] = E[(dk − XkT Hk )2 ] (3) initial, l’algorithme converge et devient stable si le facteur de
Après développement on aura : convergence, ou le pas d’adaptation, µ satisfait la relation [8].
1
J = σd2 − 2Hk RX dT + H T RXX H (4) >µ>0 (10)
λmax
Où : Où λmax est la valeur propre maximale de la matrice
σd2 = E[|dk |2 ] : est la variance du signal désiré. d’autocorrélation RXX .
RXd = E[Xk dk ] : est le vecteur d’intercorrelation entre le
signal d’entrée Xk et le signal désiré dk . A. Mise à jour du pas d’adaptation
RXX = E[Xk XkT ] : est la matrice d’autocorrelation du Afin d’augmenter les performances de l’algorithme, notam-
signal d’entrée Xk . Cette matrice est définie positive, de ment dans un milieu non stationnaire, une adaptation récursive
Toeplitz. du facteur de convergence devient nécessaire, mais tout en
Le vecteur des coefficients optimum H∗ du filtre est obtenu gardant une complexité de calcul raisonnable. Dans le but
par l’annulation du gradient du critère : de réduire la complexité mathématique, Kamal Meghriche [5]
propose une nouvelle loi itérative de mise à jour du pas de
∂J ∂ek convergence à deux paliers.
∇J = = 2E(ek ) (5)
∂Hk ∂Hk
En posons ∇J = 0, on aura : 1
µk = 1
PN (11)
µ0 + i=1 X 2 (k − i)
E(Xk XkT )H∗ = E(Xk dk ) (6)
Où N représente l’ordre du filtre, et µ0 le facteur de
Qu’on peut simplifier sous la forme : convergence initial.
Après les N premières itérations d’initialisation, la forme
RXX H∗ = RXd (7) récursive du pas de convergence devient :
Donc : 4µ2k
µk = µk−1 − (12)
−1 1 + 4µk
H∗ = RXX RXd (8)
Plus connue sous le nom de l’équation de Wiener-Hopf [6], 4 = X 2 (k) − X 2 (k − N ) (13)
[7] et [8]. En combinant les équations (4) et (8), on peut aboutir
Pour simplifier l’expression (12), on pose
à l’algorithme du gradient donné comme suit :
0 1
1 ∂J µk = (14)
Hk+1 = Hk − µ( ) (9) µk
2 ∂Hk
Où µ représente le facteur de convergence ou pas d’adap- Ce qui nous conduira à la relation suivante :
tation, qui est une constante positive, qui contrôle le taux de 0 0

convergence de l’algorithme. µk = µk−1 + X 2 (k) (15)

Pour les itérations venant après les N premières (k > N ),
III. C HOIX DE L’ ALGORITHME 0
µk s’écrit :
Les filtres adaptatifs peuvent être classés en fonction des
choix qui sont faits sur les critères suivants [9], [10] : 0 0
– La rapidité de convergence. µk = µk−1 + [X(k) − X(k − N )][X(k) + X(k + N )] (16)
– La capacité de poursuivre les non linéarités du système.
Donc, la convergence de l’algorithme est satisfaite si
– La stabilité et la précision de l’estimation des paramètres
du filtre. 0
µk > λmax (17)
– L’erreur quadratique moyenne minimale (MMSE).
– L’ordre du filtre. De plus, M , qui est l’erreur d’ajustement, devient :
 3

dans le cas linéaire, nécessite un nombre réduit [3]. Donc, dans

1
M' 0 trR (18) la majorité des cas, on se limite aux deux premiers termes
µk h1 (i) et h2 (i, j).
L’expression générale de l’algorithme devient :
Dans le cas d’un filtre non linéaire de Volterra, on voudrait
 T trouver les coefficients du filtre qui minimisent l’erreur qua-
yk = Xk Hk

dratique moyenne donnée par l’équation (24), quand la sortie
ek = dk − yk (19) du filtre de Wiener est donnée par l’équation (25).

H 2
k+1 = Hk + (µ0 ) ek Xk
k
J = E[e2 (k)] = E[(d(k) − y(k))2 ] (24)
B. Modélisation des systèmes non linéaires via les séries de +∞ +∞ +∞
Volterra
X X X
y(k) = h1 (i).x(k − i) + h2 (i, j).x(k − i)x(k − j) (25)
i=−∞ i=−∞ j=−∞
Dans ce travail, nous allons essayer d’étendre l’étude des
Où J est l’erreur quadratique moyenne minimale menant à
systèmes linéaires aux systèmes non linéaires via les séries de
la solution optimale de Wiener.
Volterra. Rappelons qu’un système linéaire est défini par la
Pour cela, on forme les vecteurs de données (X) et de
convolution d’un signal d’entrée par un filtre.
coefficients (H), en suite on pourra obtenir une représentation
vectorielle compacte de (25).
Donc on aura [12] :

x1 (n) = [x(n) x(n − 1) · · · x(n − N + 1)]T (26)

h1 (n) = [h1 (0) h1 (1) · · · h1 (n − 1)]T (27)

F IG . 2. Représentation d’un système de convolution

x2 (n) = [x2 (n) x(n) x(n−1) · · · x(n) x(n−M −1) · · · x2 (n−M +1)]T
(28)

y(k) = x(i) ∗ h(i) (20) h2 (n) = [h2 (0, 0) h2 (0, 1) · · · h2 (1, 0) · · · h2 (M − 1, M − 1)]T
(29)
+∞
X Où N : est l’ordre du noyau linéaire du filtre h1 .
y(k) = h(i).x(k − i) (21) M : est l’ordre du noyau quadratique du filtre h2 .
−∞ En utilisant (26,27,28 et 29), on pourra donner les deux
Le modèle illustré par (21) ne peut donner une représenta- vecteurs (X) et (H)
tion satisfaisante de tous les systèmes, pour cela, une extension
aux systèmes non linéaires via les séries de Volterra s’avère X = [x1 (n)T x2 (n)T ]T (30)
nécessaire.
La relation entrée/sortie d’un filtre de Volterra, qui peut être H = [h1 (n)T h2 (n)T ]T (31)
décrit sous forme d’une convolution multidimensionnelle [1] Les dimensions des vecteurs x1 (n), h1 (n) est L1 = N
et [11], est donnée par [12], [13] et [14], pour ne citer que , et celles de x2 (n), h2 (n) est L2 = M (M2 +1) . Alors, les
ceux là. dimensions de X et H deviennent L = L1 + L2 [12]. Cela
+∞
X +∞
X +∞
X
est dû au fait que le noyau quadratique h2 (i, j) est symétrique
y(k) = h1 (i).x(k − i) + h2 (i, j).x(k − i)x(k − j) (22)
i=−∞ i=−∞ j=−∞ [4].
Donc, la forme vectorielle de la sortie du filtre sera donnée
Où h1 (i), h2 (i, j), h3 (i, j, l), · · · sont les noyaux de Volterra
par :
[1], [2] et [14]. Dans l’équation (22), hn (i, j, l, ..) est le nme
ordre du noyau discret de Volterra [14].
y(k) = H T X = X T H (32)
Une autre représentation peut être trouvée dans la littérature
[1], [3], [11] et [15]. Mais dans notre étude, on se base toujours Des équations, (24) et (32), on peut déduire, [5], que :
sur le premier modèle.
+∞
X +∞
X +∞
X
JQ = E[d2 (k)] − 2E[d(k) X T ]H + H T E[X X T ]H (33)
y(k) = h0 + h1 (i).x(k − i) + h2 (i, j).x(k − i)x(k − j)(23)
i=−∞ i−∞ j=−∞
On procède de la même manière que dans le cas linéaire du
Où h0 représente un terme de décalage (offset term) [1]. filtre de Wiener, les coefficients du filtre optimal sont obtenus
L’un des problèmes des filtres polynomiaux est qu’ils né- en annulant le gradient de JQ par rapport aux coefficients du
cessitent un grand nombre de coefficients pour caractériser filtre, ce qui nous conduit, [5], à :
un processus non linéaire. Ce problème peut être résolu par
l’utilisation d’une structure polynomiale récursive qui, comme <H = P (34)
 4

Avec :

< = E[X X T )] (35) Hk = Hk−1 + µek Xk (40)

et
Le point de départ pour la détermination des pas d’adapta-
P = E[d(k)X] (36) tions des deux parties linéaire et quadratique, qui assurent la
convergence de l’algorithme, est donné par [5] :
Si on partitionne le vecteur de données X en deux parties,
[12], on aura, [5] :
1

X1
 µik = µi k−1 + PN,M 2 i = 1, 2 (41)
X= (37) i=1 X 2 (k − j)
X2
Où X1 et X2 représentent, respectivement, la partie linéaire
Où N est l’ordre du noyau linéaire. M 2 est l’ordre du noyau
et quadratique du filtre. Dans ce cas, < contient les statistiques
quadratique.
d’ordre deux, trois et quatre [5]. Donc :

R = E[X X T ] (38) Après les N et M 2 premières itérations d’initialisation, les

pas d’adaptation µ1 et µ2 peuvent être donnés, en effectuant
Alors : le changement de variable, par :
  
 E X1 X1T E X1 X2T
  

T
< = E[X X )] = E  (39) 0 0
µik = µi k−1 + 4i i = 1, 2


E X2 X1T
 
E X2 X2T
   (42)

De (39),
 on peut  déduire que [5] :
– E X1 X1T est une matrice de N par N contenant les Ce qui nous conduit à la reformulation suivante :
statistiques d’ordre deux.
– E X1 X2T est une matrice de N par M (M2 +1) contenant

" X1k #
0
les statistiques
 d’ordre trois. Hk+1 = Hk + ek µ1k
(43)
X2k
– E X2 X2T est une matrice de M (M2 +1) par M (M2 +1) 0
µ2k
cotenant les statistiques d’ordre quatre. Pour rappel, l’une
des propriétés les plus importantes des filtres de Volterra 0
Etant donné que µ1k = µ11k est le pas d’adaptation de la
est que la sortie du filtre est linéairement dépendante partie linéaire du filtre, donc, la détermination des conditions
par rapport aux paramètres des noyaux [1], [3] et [4]. de convergence est la même que celle du LMS à pas d’adap-
De plus, elles peuvent être interprétées comme étant des tation fixe [5] :
convolutions multidimensionnelles [1] et [11].

VI. F ILTRAGE ADAPTATIF DE VOLTERRA À PAS 1

0 < µ1k < (44)
D ’ ADAPTATION VARIABLE λ1k
Dans le but d’améliorer les performances du filtre adaptatif
0 0
de Volterra, on se base sur le schéma de la figure 3. Après le developpement on aura µ2 > µ1 donc , pour
avoir la convergence de l’algorithme, il suffit d’avoir la valeur
initiale du pas d’adaptation de la partie non linéaire inférieure
à celle de la partie linéaire.

VII. A NNULATION D ’ ÉCHO ACOUSTIQUE

L’´écho acoustique est un problème rencontré en télécom-

munication, notamment dans les applications de téléconférence
et téléphonie mains libres . L’écho provient du passage du
F IG . 3. Egalisation d’un canal numérique.
signal envoyé à travers un canal, par exemple une salle, pour
le cas de la téléconférence. Donc, l’écho est le phénomène
dans lequel une version retardée et distordue d’un son est
réfléchie et renvoyée vers la source [16]. Il est donc désirable
D’après la figure 3, la mise à jour des coefficients du filtre de pouvoir éliminer cet écho à la réception du signal. Ceci est
adaptatif est donnée par : rendu possible grâce au filtrage adaptatif.
 5

A. Principe de l’annulation d’écho acoustique

F IG . 6. Représentation du signal utile

F IG . 4. Schéma de principe de l’annulation d’écho acoustique

La figure 7, représente la courbe de poursuite de la sortie du
filtre par rapport au signal désiré. On remarque que l’évolution
du signal de sortie du filtre suit parfaitement celle du signal
Le schéma ci-dessus [17], représente un système classique
désiré, même s’il y’a un léger dépassement.
d’annulation d’écho dans un système de communication (té-
léphone mains libres, téléconférence,. . . ).

VIII. R ÉSULTATS DE LA PROGRAMMATION

Le but de cette partie est de mettre en exergue les perfor-
mances de notre filtre dans l’annulation d’écho acoustique.
Pour cela, le schéma de la figure 5 est retenu [16]. Dans la
figure 5, on trouve le signal de parole utile s(n), ainsi que le
signal d’écho v(n), qui est la version filtrée du signal parole
du locuteur lointain x(n) par le chemin inconnu, qui sont
additionnés pour former le signal y(n). Le signal x(n) forme,
aussi, l’excitation de la voie principale. Donc, pour éliminer
le bruit v(n), le filtre non linéaire de Volterra, doit identifier
au mieux le chemin inconnu pour retrouver en sortie de notre
système un signal de parole le plus proche possible du signal F IG . 7. Représentation du signal désiré et du signal de sortie du filtre.
utile s(n).

IX. C ONCLUSIONS ET PERSPECTIVES

Dans ce travail, nous avons vu un aperçu sur le filtrage
adaptatif et les différents critères de choix de l’algorithme ainsi
que ses cas d’applications. Puis, une étude de l’algorithme des
Moindres Carrés Moyens (LMS) a été faite, tout en donnant
une version à pas d’adaptation variable.
Une application du filtre non linéaire à pas d’adaptation
variable de type Volterra, à des signaux de parole réels, à
l’annulation d’écho acoustique, ont démontré la capacité de
ce dernier à identifier les différentes sources de perturbation.

F IG . 5. Modélisation de l’annulation d’écho adaptative R ÉFÉRENCES

[1] G. L. Sicuranza, “Quadratic filters for signal processing,” Proc. IEEE,
vol. 80, no. 8, pp. 1263–1285, 1992.
[2] G. L. Sicuranza, A. Bucconi, P. Mitri, “Adaptive Echo Concellation
La figure 6 représente l’évolution temporelle, ou audio- with Nonlinear Digital Filters”, Proceedings of ICASSP 84, pp. 3.10.1-
4, March 1984.
gramme, du signal vocal pour la lettre française ‘a’. On y
[3] Enzo Mumolo, Alberto Carini, Recursive Volterra Filters with Stability
constate une alternance de zones assez périodiques et de zones Monitoring, Dipartimento di Electrotecnica, Electronica ed Informatica,
bruitées, appelées zones voisées et non voisées. Universita di Trieste, Via Valerio 10, 34127 Trieste, Italy.
 6

[4] Robert D. Nowak, Member , IEEE, Penalized Least Squares Estimation

of Volterra Filters and Higher Order Statistics, Department of Electrical
Engineering, Michigan State University, 206 Engineering Building, East
Lansing, MI 48824-1226.
[5] Kamal Meghriche, Filtrage adaptatif utilisant les statistiques d’ordre
supérieur, thèse de doctorat d’état en électronique, Ecole Nationale
Polytechnique d’Alger, Mai 2007.
[6] Freddy Mudry, Signaux et Systèmes, 6éme partie, Filtrage adaptatif
Codage de la parole, Ecole d’ingénieurs du Canton de Vaud, 2005.
[7] C.L. Nikias and M.R. Raghuveer, “Bispectrum estimation : A digital
signal processing framework,” Proceedings of the IEEE, vol. 75, no. 7,
pp. 869–891, July 1987.
[8] B. Widrow, J.R. Glover, J. McCool, J. Kaunitz, C. Williams, R. Hearn, J.
Zeidler, E. Dong, and R. Goodlin, “Adaptive noise cancelling : Principles
and applications,” Proc. of the IEEE, vol. 63, no. 12, pp. 1692–1716,
December 1975.
[9] J.F. Bercher, et P. Jardin, Introduction au filtrage adaptatif, ESIEE Paris.
[10] Jacob Benesty, Traitement des signaux numériques-II, Filtrage adaptatif
et analyse spectral, Note de cours, INRS-EMT.
[11] D. W. Griffith, J. R. Arce, “Partially decoupled Volterra filters : formu-
lation and LMS adaptation,” IEEE Transactions on Signal Processing,
vol. 45, no. 6, pp. 1485–1494, 1997.
[12] F. Kuerch, and W. Kellermann, Proportionate NLMS Algorithm for
Second-order Volterra Filters and it’s Application to Nonlinear Echo
Cancellation, Telecommunications Laboratory, University of Eriangen-
Nuremberg, Cauerstr. 7 D-91058 Eriangen, Germany.
[13] Eduardo L. O. Batista, Orlando J. Tobias, and Rui Seara, Fully and
Partially Interpolated Adaptive Volterra Filters, LINSE-Circuits and
Signal Proccessing Laboratory, Departement of Electrical Engineering,
Federal University of Santa Catarina, 88040-900 – Sc – Brazil.
[14] A. Asfour, K. Raoof, and J. M. Fournier, Nonlinear Identification
of NMR Spin Sysrems by Adaptive Filtering, Journal of Magnetic
Resonance 145, 37-51 (2000).
[15] Abhijit A. Shah, Advisor : Dr. Tufts, Development and Analysis of
Techniques for Order Determination and Signal Enhancement, PhD
dissertation, University of Rhod Islands, 1994.
[16] Farid Ykhlef, Réduction de bruit et contrôle d’écho pour les applications
radio mobile et audioconférence, thèse de doctorat d’état en électronique,
laboratoire signal et communications, Ecole Nationale Polytechnique
d’Alger, 2008.
 CNTA ’09 Université A.MIRA BEJAIA

Performances de l’algorithme Ramanujan Fourier

pour l’estimation du spectre Doppler.
Mohand LAGHA1 – Messaoud BENSEBTI2 – Michel PLANAT3
1
Aeronautic Department, 2Electronic Department
University SAAD DAHLEB of BLIDA
B.P. 270 Road of SOUMAA – BLIDA
ALGERIA
3
Laboratoire de Physique et Métrologie du CNRS,
Associé à l’Université de Franche-Comté,
32 avenue de l’Observatoire, 25044 Besançon Cedex, France
1
e-mail : lmohand@yahoo.fr ,2e-mail : m_bensebti@hotmail.com , 3e-mail: planat@lpmo.edu

Résumé—Dans c e t ravail o n s ’intéresse à l ’estimation
spectrale d es paramètres dynamique d’ un s ignal r adar
météorologiques, en l’occurrence la vitesse, l a variance et la
largeur s pectrale. On i ntroduit u n nouveau o util de
traitement du signal se basant sur les sommes de Ramanujan
c q (n), qui pr oviennent d e l ’utilisation de f onctions
arithmétique d e l a t héorie d es nombres. D e nouveaux
résultats e n c omparaison a vec les a lgorithmes p ulse pair et
Fourier s eront f ournis par l’ utilisation d e la t ransformée
Ramanujan F ourier (R FT) p our l ’estimation du s pectre
Doppler d’un signal radar météorologique.
Mots cl és : Traitement du Signal Radar, Séries
arithmétiques ou Temporelles, Estimation Spectrale,
Transformée Ramanujan.
I. INTRODUCTION
Dans le domaine du traitement du signal on utilise
essentiellement des transformées ou des méthodes afin de
passer d’un espace à un autre (temps vers fréquence) ou
autre, pour ainsi mieux estimer et analyser le contenu
informationnel du signal. La transformée de Fourier
Discrète DFT et sa transformée rapide FFT étaient jusque
la les meilleurs outils utilisés pour des signaux
périodiques ou quasi périodiques, mais elle n’est pas
vraiment adéquate pour l’analyse des signaux aléatoires
apériodiques. Ceci n’est pas un fait nouveau, d’ou de
multiples méthodes ont été développées pour l’analyse de
séries temporelles comme Poincaré, la méthode des
ondellettes, ou encore le modèle autorégressif a moyenne
mobile ARMA en ne citant que celles-ci.
Dans le contexte de l’estimation des paramètres
spectraux d’un signal radar météorologique, il y a eu le
développement dans un premier temps d’un algorithme
appelé Pulse Pair PP se basant sur le calcul de
l’autocorrélation des séries temporelles complexes Z(I,Q)
et ce avec un ou deux rangs de développement des
moments spectraux en série de Mc-Lauren et ce dans un
souci de réduction du temps de calcul. Puis avec l’avancée
dans le domaine des calculateurs et de l’informatique on a
introduit la transformée de Fourier, puis le modèle AR, et
ARMA, pour ainsi travailler dans le domaine spectrale
afin d’analyser mieux les phénomènes météorologiques
détectés.
L’objectif principal de cet article est l’introduction et
l’étude de l’utilisation des sommes Ramanujan c q afin
d’estimer l’étendue spectrale de signaux radar pulse
Doppler utilisé en météorologie.
La motivation qui nous a amener à utiliser la méthode
de Ramanujan dans le domaine de l’estimation spectrale
des signaux radar Doppler météorologique, est le récent
intérêt grandissant des chercheurs à l’introduire comme
nouveaux outil de traitement du signal[9][10]. C’est une
méthode utilisée par Ramanujan pour la première fois,
comme moyen pour représenter des séries arithmétiques
par des sommes de rang infinie. De plus les coefficient de
cette transformée c q proviennent de l’utilisation de
fonctions arithmétiques de la théorie des nombres. Ajouter
à cela que ces coefficients possèdent la propriété
d’orthogonalité et ceci les rend intéressantes à utilisée
comme moyen de traitement du signal.
On abordera l’estimation des moments d’ordre zéro,
un et deux (puissance, vitesse et la largeur spectrale) pour
un signal radar pulse Doppler météorologique (section II),
en traitant les deux domaines d’estimation, le premier
temporel PP basé sur l’estimation des autocorrélations et
le second domaine, qui est spectral basé sur l’estimation
des densités spectrales de puissances PSD en utilisant la
transformée de Fourier Discrète. On introduira la notion
des sommes de Ramanujan et la transformée de
Ramanujan-Fourier présentée comme nouveau outil de
traitement du signal de séquences arithmétiques basé dans
la théorie des nombres premiers (section III). La
simulation se fera sur des données réelles prise par un
radar pulse Doppler WSR-88D et des discussions des
estimations faites sur le spectre Doppler par plusieurs
estimateurs (section IV).
II. ESTIMATION DES MOMENTS SPECTRAUX
Le radar pulse doppler délivre les tensions en sortie, I
en phase et Q en quadrature de phase qui forment l’écho
complexe Z(I, Q ). La densité spectrale de puissance est
 CNTA ’09 Université A.MIRA BEJAIA

donnée par la transformée de Fourier de la fonction λ

d’autocorrélation R ZZ (τ) [1], [2] w =  σ f (6)
2
S Z ( f ) = ℑ{RZZ (τ )} (1)
A. Estimation temporelle
Le spectre Doppler reçu aura la forme représentée L'algorithme Pulse Pair est un estimateur de la
sous la figure 1. puissance du spectre Doppler, de la vitesse moyenne du
vent et de sa variance. Il est basé sur l'estimation de
0.042 0.06
Doppler Spectrum l'autocovariance des signaux radar complexes Z(kT s ).
Si les signaux considérés sont statistiquement
indépendants, alors la fonction d'autocovariance peut
s'écrire, [1] :
0.04

1 M −1 *
Amplitude

R ZZ ( T s ) = ∑ Z ( kTS ).Z (( k + 1 )T S ) (7)

Sk

M k =0
0.02 Avec :

0
Z ( kTS ) = I ( kTS ) + jQ( kTS ) (8)
0
20 15 10 5 0 5 10 15 20 25 30
− 18.016 speedk
Velocity (m/s)
27.024 Où M est le nombre d'impulsions et TS le temps
Figure.1 Spectre Doppler reçu pour une cellule de distance entre impulsions.
Le moment d'ordre zéro est estimé par [1],[6], [7]:
Le spectre Doppler reçu représente la densité spectrale
de puissance du signal reçu pour un volume de détection. 1 M

∑ Z ( kT
2
Par ailleurs la puissance totale de l’écho sans prendre en P̂ = S ) −N (9)
compte la puissance du bruit est donnée par la fonction du M n =1
moment d’ordre zéro [1], [2]: où N la puissance du bruit blanc présent dans les échos
radar I & Q.
P = ∫ S (v) dv (2) L'estimation de la vitesse moyenne du vent et de sa
variance sont donnée par [1],[3],[6], [7]:
La vitesse moyenne ou le moment normalisé d’ordre
un est donné [2]:
λ
v̂PP = .arg [RZZ ( TS )] (10)
1 4 πTS
P∫
v= v S (v) dv (3)

λ2 RZZ ( TS ) 
σv2 = 1 −  (11)
8 π2TS2  RZZ ( 0 ) − N 
La largeur spectrale de la vitesse moyenne du spectre La largeur spectrale wv de la vitesse moyenne du vent
Doppler est donnée par la racine carrée du moment central
de second ordre normalisé [2]: est obtenue directement par la racine carrée de la variance.

1
σ v2 = ∫ (v − v ) S (v) dv
2
(4) B. Estimation spectrale
P Une autre alternative d'estimation de la vitesse
2
Le spectre Doppler S(f) peut s’écrire en fonction de la moyenne v̂ pp , de la variance σv , et de la largeur du
vitesse comme S(v) en utilisant la relation entre la vitesse
et la fréquence Doppler avec λ est la longueur d’onde du spectre ŵ pp Doppler reçu peut être formulée par
signal émis : [3] l'estimation de la densité spectrale de puissance via la
transformée de Fourier discrète [5], [7], [11] comme :
λ
v = f (5)
2 M
−1
λ 2
 k 
De la même manière, on peut écrire la relation entre la
V̂FT =
2 P̂TS
∑ M
S Z ( k ).


M − 1
(12)
largeur spectrale de la vitesse moyenne et la déviation k =−
2
standard du spectre Doppler par [1], [2]:
 CNTA ’09 Université A.MIRA BEJAIA

et : Où (p,q)=1 signifie que p et q sont co-premier

2
2
M
On peut observer que les coefficients c (n) sont des
q
2 λ 2
−1
 k V̂ FT TS  e
Ŵ FT =
2
∑ S Z ( k ).
 +2  (13) sommes sur l’ensemble des caractères p (n).
4 P̂TS k =−
M

2
M −1 λ  Les sommes introduites par Ramanujan joueront un
rôle de base pour la projection de séquences arithmétiques
Avec S Z ( k ) la densité spectrale de puissance. x(n).
∞

Ces valeurs estimées sont indexées (FT) pour en x(n) = ∑ xq cq (n) (15)
référer à la méthode de Fourier. q =1
Sur cette équation on peut facilement observer que
Cette estimation spectrale est normalisée par la pour cette série infinie avec q → ∞ on peut aboutir à la
puissance totale moyenne P̂ qui est traitée comme série de Fourier [9], [10], de plus la transformée de
probabilité sur toute la largeur de bande de travail [4]. Fourier discrète prend une valeur finie q. La fonction
Le domaine d'implémentation temporel pour arithmétique σ (n) somme des diviseurs de n, peut
l'estimation PP a un avantage de devenir beaucoup plus s’écrire avec les coefficients RFT comme
significatif, que les méthodes qui requièrent l'utilisation de π 2n 1
la transformée de Fourier discrète du point de vue nombre σq = , donc
d'opérations, [6], [7]. 6 q2
Le spectre météorologique réfléchi sur le Radar ne va
 (−1) n 2 cos(2nπ / 3) 
pas probablement violer ces hypothèses, mais la présence 1+ 2 +
du mode clutter renversée (changement de direction) peut π 2 n  2 32

biaiser l'estimation spectrale moyenne [6]. σ ( n) =   (16)
6  2 cos(nπ / 2) 
+ + .....
La DFT peut être calculée en utilisant un algorithme  4 2 
DFT rapide (FFT). Toutefois, la DFT possède deux
inconvénients inhérents à son approche. Le premier est Pour les fonction x(n) ayant une valeur moyenne on
que la résolution en fréquence est limitée par l'inverse de
la largeur des échantillons enregistrés. Le second 1 t
inconvénient implique l'utilisation d'échantillons limités
en longueur pour la représentation de signaux d'étendues
Av ( x) = lim ∑ x ( n)
t n =1 (17)
infinies. En considérant que les séquences seront nulles en
dehors de l'intervalle fini, cela sous-entend un fenêtrage
t→∞
des données (signaux) qui sera imposé. Il est équivalent à On peut obtenir la formule d’inversion [9]
la multiplication des données par une fenêtre rectangulaire
d'amplitude unité. Dans le domaine fréquentiel le résultat 1
est similaire à une convolution d'un spectre avec une xq = Av ( x(n)cq (n)) (18)
fonction sinc [6][7]. φ (q)
De [9] on peut donner une formule plus générale.
Ce phénomène est connu sous le nom de pertes Dans tout ce qui suit les coefficients indexés x q dénoteront
spectrales parce que l'énergie du signal ne sera pas la transformée Ramanujan-Fourier ou bien RFT. Il s’en
représentée dans tout le domaine des fréquences [12][13]. suit qu’il y a une propriété multiplicative des sommes
Ces limitations de la DFT seront spécialement (coefficients) Ramanujan :
problématiques pour des séquences de courte durée, qui
sont utilisées dans les Radars à effet Doppler aéroportés cqq ′ (n) = cq (n)cq ′ (n) si (q, q′) = 1 (19)
[7]. Ceci n'est pas le cas dans notre étude, car pour nos
besoins de simulation on va adopter un Radar pulse Et la propriété d’orthogonalité est
Doppler fixe terrestre. q

III. LA TRANSFORMEE DE RAMANUJAN FOURIER ∑c

n =1
2
q ( n ) = qφ ( q ) (20)
Nous introduisons dans ce qui suit la notion des
sommes de Ramanujan C q (n). Elle sont définies comme Ce qui nous rappel (5).
étant la puissance nème des racines primitives qème de On va évaluer les coefficients Ramanujan en utilisant
l’unité [9]. des fonctions de la théorie des nombres. Soit (q,n) qui
q dénote le plus grand commun des diviseurs de q et n. on
p
Cq (n) = ∑ exp(2iπ n) utilisant la décomposition en nombre premiers d’un
p =1 q (14) nombre on peut écrire q et n comme :
( p, q ) = 1
 CNTA ’09 Université A.MIRA BEJAIA

q = ∏ qiα i ( qi , premier) (21) elles contiennent les données I, Q, Azimut, Elévation, Prt,
Temps (temps UNIX).
i

n = ∏ nkβ k ( nk , premier) (22) Nous donnons dans la figure 3(a) et (b), la

k
représentation des séries complexes I et Q ainsi que leur
spectre doppler, pour la cellule de distance n°1.
Et on peut trouver le nombre φ (q ) des fractions
irréductibles du dénominateur q, appelé également la
I and Q signal for Range Cell N°1
fonction Euler totient. 0.194 0.2

1
φ (q) = q∏ (1 − ) (23)
qi
0.1

i
Et la fonction de mobius µ (n) avec qui on peut

I and Q signal
Ik

Qk 0

obtenir ses nombres premiers est définie par

 0 si n contient des carrés β k > 1 0.1


µ (n) = 1 si n = 1, − 0.134

 (-1) k si n est le produit de k premiers distinct

0.2
0 50 100 150 200 250

 0 k
Range cell
239

(24) (a)
Doppler Spectrum for Range Cell N° 1
0.05
De [9] les sommes de Ramanujan sont évaluées
0.04

 q  φ (q )
cq (n) = µ   (25)
q n  φ  q 
0.03

 ( , )
Amplitude

Sk

 ( q, n) 
  0.02

Il faut noter que les séquences c q (n) sont périodiques.

0.01

En considérant le problème de calcul de la vitesse

moyenne du vent et de sa largeur spectrale par la méthode 0
30 20 10 0 10 20 30
Ramanujan-Fourier, on peut utiliser le calcul de la densité vk
Velocity (m/s)
spectrale de puissance dérivée par la transformée de
(b)
Fourier discrète DFT [12], [13].

∑fS i RFT ( fi ) Figure.2 : (a) séries temporelles I et Q; (b) spectre Doppler

fˆi = i
(26) Les estimations de vitesses moyennes et des déviations
∑S i
RFT ( fi ) spectrales faites par les trois méthodes sont mentionnées
dans les figures 4 et 5.
Et
L’algorithme d’estimation temporelle pulse pair est un
algorithme simple à programmer qui ne considère que les
∑ ( f − fˆ )S ( f )
i RFT i autocorrellations des signaux complexes Z(iTs) des échos
wˆ 2 = i
(27) radar reçus. C’est un algorithme rapide car son temps
∑S ( f ) i
RFT i
d’estimation est bas comparativement à celui des
méthodes spectrales FFT, ARMA et il converge dés la
où première itération [6], [7], voir la figure 4.
L’estimation faite par cette méthode pour l’estimation
λ de la vitesse moyenne du spectre Doppler du vent, est très
vˆ = fˆ (28) proche de la vitesse réelle [6].
2
De plus les estimations Ramanujan produite par la
Avec v̂ et ŵ sont respectivement la vitesse moyenne transformée Ramanujan Fourier pour le calcul de la PSD
sont Presque similaires à celles fournis par l’algorithme
estimée et sa largeur spectrale, et S RFT ( f i ) est spectre pp. Les résultats ne divergent pas et les valeurs estimées
Ramanujan de la série complexe Z(I,Q). oscillent autours de la vitesse radiale réelle. L’avantage de
cette méthode par rapport aux autres (PP, et FFT) est que
IV. SIMULATIONS ET DISCUSSIONS son temps de calcul est réduit car on ne travail que sur des
Les données utilisées sont prises par un radar pulse échantillons réduits voir le spectre Ramanujan Figure 3.
Doppler WSR-88D à l’état de Tennessee en juillet 1997,
 CNTA ’09 Université A.MIRA BEJAIA

4.1. l’estimation faite par l’algorithme Ramanujan

−3
Ramanujan Spectrum for Range cell N°1 Fourier n’est pas en deçà des valeurs désirées pour
4.678×10 0.005
l’estimation de la vitesse moyenne et la variance, en
0.004 comparaison avec celles faite avec les algorithmes FFT et
Ramanujan Fourier Spectrum

pulse pair. Au même moment on remarque également que

0.003 le temps de calcul pour une seule cellule de distance est
SRFT1k
réduit par rapport à celui de l’algorithme de Fourier
0.002
classique FFT 16 ms, voir table 4.1. L’algorithme
d’estimation temporelle a un temps de calcul le plus bas
0.001
mais son inconvénient majeur c’est la difficulté
−5
1.473×10
0
d’interprétation des résultats qui est du à l’utilisation de
0 50 100 150 200 250
0 k 239
fonctions d’autocorrélations.
Resonances

Figure. 3 : Spectre Ramanujan pour la cellule de distance N°1

REMERCIEMENTS
Donc on peut facilement réduire le temps d’estimation Nous remercions M. PLANAT du Laboratoire de
des paramètres météorologiques (vitesses, déviation,..) et
Physique et Métrologie CNRS- université de Franche-
de prévision des différents phénomènes par l’utilisation de
l’algorithme Ramanujan Fourier. Comté France, pour avoir considérablement contribuer à
l’élaboration de ce travail.
Mean Wind speed estimation
20

V. CONCLUSION
10
L’utilisation de la transformée Ramanujan est très utile
Mean Wind Estimated (m\s)

〈1〉
v_pp
pour l’identification des spectres de basse magnitude,
〈1〉
v_FR
0 c’est une transformée basée sur la théorie des nombres
〈1〉
v_RFT
premiers mises en jeu par les fonctions de Moebius ou de
Mangoldt.
10
Sur le plan des calculs cette nouvelle technique
employée (RFT) elle est rapide, comparativement à la
20
0 5 10 15 20 25 30 35 40
méthode de la transformée de Fourier Discrète car les
i
Range Cells
calculs se font que sur les échantillons en respectant la
Figure.4 : Vitesse moyenne du vent estimée par les trois estimateurs fonction Moebius qui elle prend que des résonances
Width Mean Wind speed estimation
coprime (p,q)=1. On peut aussi considéré qu’un nombre
1.3
réduit d’échantillons car l’estimation se fera au voisinage
de la fréquence zéro.
1.2
L’estimation des spectres et surtout après filtrage sur
Width Mean Wind Estimated (m\s)

w_pp
〈1〉 les échantillons I et Q (série complexe Z) des données
1.1
w_FR
〈1〉 météorologiques, s’avère très utile car avec la transformée
w_RFT
〈1〉 de Ramanujan on peut distinguer facilement les modes
1
météorologiques de bas niveau, comme les vents de basse
intensité, les pluies de faible intensité.
0.9
L’application d’autre notions de la théorie des nombres,
ou même des mathématiques au domaine du traitement
0.8
0 5 10 15 20 25 30 35 40 du signal radar météorologique peut contribuer à avoir
i
Range Cells d’autres résultats et explorer encore ce domaine vaste et
Figure.5 : Largeur spectrale de la vitesse moyenne du vent estimée par passionnant.
les trois estimateurs

Table 4.1: Performances de calculs des trios algorithmes utilisés

V [m/s] W Temps de REFERENCES
[m/s] calcul [ms]
Pulse-pair 13.64 – - 16.96 1.20 – 0.85 13 [1] R. J. Serafin, “Meteorological Radar,” Chap 23, Radar Handbook,
FFT 14.60 – -15.00 1.29 – 1.02 26 McGraw-Hill Book Company, 2nd ed,1990, pp.1-33.
Ramanujan 13.65 – -14.40 1.22 – 1.14 16 [2] R. J. Keeler and R. E. Passarelli, “Signal Processing for
Fourier Atmospheric Radars,” Chap 20a, Radar i n Meteorology, A MS
book, Atlas, 1990, pp.199-229.
[3] D. S. Zrnic' and J.T. Lee, “Pulsed Doppler Radar Detects Weather
Comme on peut le remarqué les performances de Hazards to Aviation,” Journal o f Aircraft, Vol. 19, No 2, Feb.
calcul des trois algorithmes utilisés pour l’estimation du 1982, pp. 183-190.
spectre doppler d’une perturbation de vent détectée par un [4] R. D. Palmer, “Signal Processing Project”, Department of
radar pulse doppler terrestre sont mentionnés dans la table Electrical Engineering University of Nebraska-Lincoln, Spring
2002, ELEC 484/884.
 CNTA ’09 Université A.MIRA BEJAIA

[5] Chornoboy, E. S.,“Optimal mean velocity estimation for Doppler

weather radars,” IEEE Trans. Geosci. Remote Sens, vol. 31, 1993,
pp. 575-586.
[6] M. Lagha and M. Bensebti, Performances comparison of p ulse-
pair an d 2-step prediction a lgorithms f or the D oppler s pectrum
estimation, Multidimensional System Signal Processing Journal
Vol. 19, Springer June 2008, pp. 257-265.
[7] M. LAGHA, M. Bensebti, “Performance Comparison of Pulse Pair
and 2-Step Prediction Approach to the Doppler Estimation,” IEEE
International Symposium on Industrial Electronics, July 9-13,
2006, ETS - Downtown Montréal, Canada.
[8] M. LAGHA, H. M. BENTEFTIFA and S. BOUKRAA
“Contribution to the spectral estimate of the mean speed and
variance of a windshear at low altitude,” 1st International
Symposium on Electromagnetism, Satellites and Cryptography
IEEE-ISESC'05, 19-21 June 2005, Jijel-Algeria.
[9] Saman S. Abeysekera,“Performance of Pulse-Pair Method of
Doppler Estimation,” IEEE Trans on Aerospace and Electronic
Systems, vol. 34, no. 2 Apr 1998, pp. 520-531.
[10] M.Planat, H. Rosu, and S. Perrine, ‘’Ramanujan sums for signal
processing of low-frequency noise,’’, Phys. Rev. E, vol. 66,
p.51128, 2002.
[11] Saed Samadi, M. Omair Ahmad, and M. N. S. Swamy,
‘’Ramanujan Sums and Discrete Fourier Transforms,’’, IEEE
Signal Processing Letters, vol.12, no. 4, pp.293-296, April 2005.
[12] Monakov, A.A.; Blagoveshchensky, D.V., “A Method of Spectral
Moment Estimation,” IEEE Ttrans. Geosci and Remote Sens, vol.
37, no. 2, March 1999, pp. 805-810.
[13] Melnikov, Valery M., Zrniç, Dusan S., “Estimates of Large
Spectrum Width from Autocovariances,” Journal o f A tmospheric
and Oceanic Technology, vol. 21, Issue 06, 2004, pp. 969-974.
[13] Jonggil Lee, “Doppler Moment Estimation in a weather radar,”
International Journal of Electronics, Vol. 89, No 7, Jul 2002, pp.
583 - 592.
 Application de L’égalisation Aveugle sur les canaux radio-Mobiles basée sur
l’Algorithme de Maximum de Vraisemblance CNTA’09

A. TAMI 1 M. KECHE2 A. OUAMRI 3

1
Université des sciences et technologies USTO, Oran, Algérie
E-mail: abdelkader.tami@hotmail.com
2
Université des sciences et technologies USTO, Oran, Algérie.
E-mail: m_keche@yahoo.com
3
Université des sciences et technologies USTO, Oran, Algérie.
E-mail: ouamri@yahoo.com

sévères, qui nécessitent la mise en œuvre de

traitements permettant de combattre l'interférence
Résumé:
entre symboles créée par la sélectivité en fréquence
Cet article concerne l’application de
l’égalisation aveugle dans le domaine de radio de ces canaux [1].
communication mobile. Plusieurs techniques sont possibles parmi
Il présente une méthode qui permet de lesquelles l’égalisation aveugle (dit aussi
récupérer au niveau du récepteur la séquence émise, à égalisation autodidacte) qui ne nécessite pas de
partir du signal à la sortie d’un canal inconnu. Elle séquence d’apprentissage [2]. La seule
utilise deux algorithmes en cascade, l’un pour
connaissance à priori nécessaire au niveau du
identifier le canal, et l’autre pour reconstituer la
séquence émise, en se basant sur la méthode du récepteur est la statistique du signal émis.
maximum de vraisemblance. Ce type d’égalisation a fait ses premiers pas avec
L’application de l’égalisation aveugle dans le domaine la proposition de l’algorithme de Sato [1975],
radio communication mobile permet de récupérer de connu sous le nom de ‘‘Algorithme de Bussgang ’’
l’ordre de 20 % de débit utile, utilisé par la séquence [3], et plus récemment l’algorithme de l’égalisation
d’apprentissage.
aveugle, basée sur un critère maximum de
Mot Cl efs : E galiseur A veugle-Canal r adio-Algorithme
Maximum de vraisemblance-Algorithme de Viterbi vraisemblance.
II. L’EGALISATION AVEUGLE BASEE SUR
Abstract : LE CRITERE DE MV
This article relates to the application of blind Cet égaliseur fonctionne en deux étapes:
equalization in the field of radio mobile Une identification du canal assurée par un
communication. algorithme d’estimation suivie d’une recherche
It presents a method which makes it possible to de la séquence émise en utilisant l’algorithme de
recover on the level of the receiver the emitted
Maximum de Vraisemblance (Algorithme de
sequence, starting from the signal at the exit of an
unknown channel. It uses two algorithms in cascade, Viterbi) Figure (1).
one to identify the channel, and the other to
reconstitute the emitted sequence, with the application
of the maximum likelihood method. Algorithme
The application of blind equalization in the field radio d’identification
communication mobile makes it possible to recover Du canal
about 20 % of data flow, used by the sequence of
training.
Word Keys: Blind Equalizer –Radio Channel- Maximum Sk Zk
likelihood Algorithm- Viterbi Algorithm Canal Algorithme
yk deViterbi
I-INTRODUCTION

Aujourd'hui avec le développement des services Fig1:Principe de l’égaliseur aveugle à base de MV

radio mobiles, de la diffusion numérique du son et
de l'image et des services multimédia, on assiste à II-1 ALGORITHME D’IDENTIFICATION DU
une véritable explosion de la demande en CANAL
matière de techniques de transmissions
numériques.
Soit la sortie du canal {y n } en présence
Ces nouveaux services nécessitent généralement
d’un bruit blanc gaussien :
de transmettre des quantités croissantes
L
yn = ∑ ck sn−k + bn
d'information dans des bandes de fréquence les plus
étroites possibles et à travers des milieux assez
(II - 1)
k =0
0
 Application de L’égalisation Aveugle sur les canaux radio-Mobiles basée sur
l’Algorithme de Maximum de Vraisemblance CNTA’09
p(Y / C ) = ∑ p(Y / S ,C ) pr (S )
où (m) (m)
{c k }: Coefficients du canal. m
{s n }: Séquence d’information
{ bn }:Séquence de bruit, supposé être blanc et   Y− A( m) C 2

 1  
gaussien. =∑ exp − (m)
 p r (S )
La fonction de la densité de probabilité  2 N
m ( 2πσ )  2σ 2
conjointe d’une séquence reçue Y=[y 1 y 2 …y n ]
t   
conditionnelle à la réponse impulsionnelle du (II - 7)
t
canal C=[c 0 c 1 …c L ] et au vecteur des Alors, L’estimée de C est celle qui minimise
t
données entrantes S=[s 1 s 2 …s n ] est : p (Y , C ) , solution de l’équation :
 2 ∂p(Y / C )
 1 N = ∑ pr ( S ( m ) )
L
1 
p (Y / C , S ) = exp − ∑ y n − ∑ ck s n − k  ∂c
(2πσ2 ) N  2σ 2 n =1 k =0 m
 
(II - 2)  Y − A( m ) C 2

( m )t (m) ( m )t  
Le critère de maximum de vraisemblance (A A C−A Y ) exp −  = 0
stipule que les estimées du vecteur du canal C et de  2σ 2
 
la séquence de données entrantes S sont celles qui
maximisent la densité de probabilité
(II - 8)
conjointe pr (Y / C , S ) , ou de façon équivalent Donc l’estimée de C est donnée par :
et, celles qui minimisent l’exposant qui −1
 
s’appelle la métrique cumulée DM ( S , C ) C = ∑ pr ( S ( m) ) A ( m)' A ( m) g (Y , A ( m) , C )
2 m 
N L
DM ( S , C ) = ∑ y n − ∑ c k s n−k (II - 3) × ∑ pr ( S ( m) ) g (Y , A ( m) , C ) A ( m)'Y
n =1 k =0 m
Où sous forme matricielle (II - 9)
DM ( S , C ) = Y − AC ,
2
(II - 4) où :
 2 
Où la matrice A, appelée matrice des données, est  Y − A( m ) C 
définie comme suit: g (Y , A( m) , C ) = exp −  (II - 10)
 2σ 2 
 s1 0 0 ... 0   
s  
 2 s1 0 ... 0  Généralement il est difficile de résoudre
A =  s3 s2 s1 ... 0  (II - 5) l’équation (II-9) directement. Il est préférable
  d’utiliser une méthode numérique itérative pour
      
 s N s N −1 s N − 2 ... s N − L  obtenir C ML :
  −1
 
C ( k +1) = ∑ pr ( S ( m) ) A( m)' A( m) g (Y , A( m) , C ( k ) )
Dans le cas de l’égalisation aveugle où ni m 
la séquence d’apprentissage S est disponible ni le
× ∑ pr ( I ( m) ) g (Y , A( m) , C ( k ) ) A( m)'Y
vecteur du canal C est connu, on a deux m
possibilités: soit on minimise conjointement la (II-11)
métrique cumulée DM(S,C) par rapport à la Une fois C ML obtenu par la solution de
séquence des données S et au vecteur du canal C l’équation (II-9) ou (II-11), on peut simplement
,ou bien, on estime le vecteur C à partir de la l’utiliser dans la métrique cumulée DM(S,C ML ),
densité de probabilité p (Y / C ) ; cette densité est donnée par l’équation (II-4), pour obtenir l’estimée
calculée par une moyenne de la probabilité de la séquence de données S ML, i .e celle qui
conjointe p (Y , C / S) sur toutes séquences minimise DM(S,C ML ).
min S DM ( S , C ML ) = min S I Y − AC ML
2
des données possibles :
p (Y / C ) = ∑ p (Y , S ( m ) / C ) (II -12)
m Cet algorithme possède deux
= ∑ p( Y / S( m ), C ) pr ( S( m ) ) inconvénients majeurs, le premier est la récursivité
m
de C ML , donnée par l’équation (II-11) et le second
est l’estimation elle même de C ML qui n’est pas
(II - 6) précise, comparée au cas où la séquence
Où pr(S(m)) est la probabilité de la séquence S=S(m),
d’apprentissage est connue, ce qui se traduit par une
m=1,2,…,MN ; M étant la taille de la constellation
augmentation du taux d’erreur [4].
du signal.

2
 Application de L’égalisation Aveugle sur les canaux radio-Mobiles basée sur
l’Algorithme de Maximum de Vraisemblance CNTA’09
II-2 ALGORITHME DU MAXIMUM DE
VRAISEMBLANCE (ALGORITHME DE
VITERBI)
La présence d’interférence entre symboles
(IES) liée à un canal imparfait est caractérisée par
une mémoire dans le signal, on peut alors
rechercher à reconstruire la séquence des
symboles au sens de maximum de
vraisemblance, en exploitant l’interdépendances
des données reçues, et en maximisant la
vraisemblances à l’aide de l’algorithme de Viterbi
qui permet de sélectionner, dans un treillis, le
chemin ayant la métrique la plus faible, où la
métrique est une mesure cumulée, mise à jour de
nœud à nœud. Cela signifie que la densité de
probabilité conjointe des observations pour une
séquence particulière (La vraisemblance), peut
s’écrire comme le produit des vraisemblances
élémentaires à chaque instant. Il est important de
noter alors que cela n’est vrai que si le bruit
d’observation, après échantillonnage est blanc [5].
La réponse impulsionnelle est ici de longueur L. La
mémoire du signal vaut alors L. Ainsi, y(n) dépend
des symboles a n−L+1 , a n−L+2 , . . . a n et y(n+1)
dépendra des symboles a n−L+2 , a n−L+3 , . . . a n+1 .
Ces deux séquences de symboles contiennent L −1
symboles communs, et il n’y a que M possibilités
pour passer de la première séquence à la seconde, si
a n+1 prend ses valeurs dans un alphabet de cardinal
M. On peut donc bâtir un treillis associé aux ML
états de L symboles, où chaque nœud du treillis
comporte M chemins entrants et M chemins
sortants.
Si on considère maintenant qu’une séquence de
symboles de longueur K, et que l’on note s(n) la
nième parmi les MK séquences possibles, alors, sous
l’hypothèse d’un bruit additif blanc gaussien, la
densité de probabilité conjointe de la séquence
d’observation y 1 , y 2 , . . ., y K si la séquence s(n) a
été émise est :
K − ( y − S ( n) ) 2
1  k 
Pr( y1 , ,., y K / S ( n) ) = ∏ exp k
k =1 2πσ 2  2σ b
2
b
K
   1 K 
 1  (n) 
=   exp− 2 ∑ ( yk − S k ) 2 
 2πσ 2   2σ b k =1 
 b 
(II-13)
L −1
Où s k( n ) = ∑ v (i ) s ( n ) ( k − i )
i =1
est la sortie à l’instant k qui correspond à l’entrée
s(n). On peut alors rechercher la séquence s(n) qui
maximise la vraisemblance, ou qui minimise la
métrique cumulée.
2
D( K ) = ∑ kK=1 ( yk − sk( n) ) (II-14)
A tout instant i, on observe que
D(i) = D (i−1)+(y i −s i (n) )2, ce qui signifie que l’on
R R R RP P P P
peut mettre en œuvre l’algorithme itérativement.
Ceci étant posé, l’algorithme de Viterbi ne conserve
parmi tous les chemins entrants sur un nœud, que
celui de plus faible métrique cumulée, et seul ce
chemin est prolongé. On répète ces opérations au
cours du temps, et on peut prendre les décisions
avec un retard.
Cet égaliseur est l’égaliseur
« extrême ». En effet, il donne les meilleures
performances, mais n’est guère utilisable que pour
des séquences binaires (M = 2 ) et des canaux
courts (L < 10) , à cause de la complexité. A titre
indicatif pou un canal, dont la réponse
impulsionnelle a 11 coefficients, on aboutit à un
treillis à 2048 états. En outre, on ne peut utiliser Cet
algorithme, qu’à condition d’avoir accès à la
réponse impulsionnelle du canal, ce qui nécessite
donc d’identifier le canal préalablement à la
transmission [7].
III- SIMULATIONS ET RESULTATS :
Pour assurer la reconstitution du flux de
données utiles sans séquence d’apprentissage
l’égaliseur basé sur le maximum de vraisemblance
exécute une procédure en deux étapes une
identification du canal par l’algorithme que nous
avons décrit auparavant, puis une recherche des
données à l’aide de l’algorithme de Viterbi, en
utilisant les résultats de cette d’identification.
Pour évaluer les performances de cet
égaliseur, nous commençons par présenter la
précision de l’algorithme d’identification pour les
deux canaux de Proakis B et C et pour différents
rapports signal sur bruit.
III-1 IDENTIFICATION DE LA REPONSE
IMPULSIONNELLE DU CANAL
 L’identification de la réponse
 impulsionnelle du canal sert à l’algorithme de
 Viterbi à détecter des symboles d’information.
Nous avons travaillé avec une observation
qui comporte dix symboles d’information (N=10).
Les valeurs estimées des coefficients du canal sont
représentées en fonction de l’indice d’itération, et
cela pour des rapports RSB égaux à 0 ,5 et 10 dB.
Vue la symétrie seules les valeurs estimées de la
moitié des coefficients + 1 sont présentées.
Les courbes représentent une moyenne des
valeurs estimées des échantillons de Réponse
impulsionnelle effectués sur des simulations
indépendantes. Les coefficients initiaux de la
réponse impulsionnelle sont :
h((n-1)/2)=1, h(i)=0, i ≠ (n-1)/2, où n est le nombre
de coefficients.
3
 Application de L’égalisation Aveugle sur les canaux radio-Mobiles basée sur
l’Algorithme de Maximum de Vraisemblance CNTA’09
III-I-2 ESTIMATION DE CANAL PROAKIS C
III-1-1ESTIMATION DE CANAL PROAKIS B

Fig (III.4) : Coefficients estimés du Canal Proakis C,

RSB=0dB

Fig (III.1) Coefficients estimés du Canal Proakis B

RSB=0dB

Fig (III.5) Coefficients estimés du Canal Proakis C,

RSB=5dB

Figure (III.2) Coefficients estimés du Canal Proakis B

RSB=5dB

Fig (III.6) : Coefficients estimés du Canal Proakis C,

RSB=10dB

Fig (I11.3) Coefficients estimes de Canal Proakis B

RSB=10dB

4
 Application de L’égalisation Aveugle sur les canaux radio-Mobiles basée sur
l’Algorithme de Maximum de Vraisemblance CNTA’09
Après la dixième itération, on remarque
que l’algorithme d’identification converge vers les
estimées du canal B suivantes :
RSB Coefficients Exacts Coefficients Estimés
[0.407,
0 dB [0.5 0.65 0.5]
0.815,0.407]
[0.407, 0.815,
5 dB [0.25 0.58 0.25]
.407]
10 [0.407, 0.815,
[0.3 0.7 0.3]
dB 0.407]

Pour un RSB=10dB l’estimation des

coefficients s’approche des coefficients réels du
canal B.
Fig (III.8): L’égalisation du canal C par l’algorithme de Viterbi
Après la dixième itération, on remarque et Algorithme aveugle MV
que l’algorithme d’identification converge vers les Nous remarquons que la performance
estimées du canal C suivantes : de cet égaliseur pour les canaux Proakis B et C est
Coefficients moins bonne que celle de Viterbi où le canal est
RSB Coefficients Exactes
Estimés connu du récepteur. Ceci s’explique par le fait que
[0.227 0.46 0.688 [0.35 0.45 0.52 l’étape d’identification du canal n’est pas parfaite,
0 dB
0.460 0.227] 0.45 0.35] et donc indirectement les performances de
[0.227 0.46 0.688 [0.1 0.34 0.5 0.34 l’égaliseur dépendent aussi de la sélectivité du
5 dB
0.460 0.227] 0.1] canal.
10 [0.227 0.46 0.688 [0.2 0.4 0.52 0.4 Mais pour un rapport signal à bruit
dB 0.460 0.227] 0.2] relativement élevé on obtient avec cet égaliseur un
Une bonne estimation est obtenue avec taux d’erreur binaire (TEB) acceptable sur un canal
un RSB =10 dB. inconnu au récepteur sans l’utilisation d’une
Le bruit et la nature sélective du canal influent séquence d’apprentissage.
considérablement sur l’estimation des coefficients.
IV- CONCLUSION
III-2 EGALISEUR AVEUGLE A BASE DU L’algorithme d’identification du canal associé à
MAXIMUM DE VRAISEMBLANCE l’égaliseur de maximum de vraisemblance de
réaliser l’égalisation d’un canal sans séquence
d’apprentissage mais au prix d’une augmentation
importante de la complexité, c’est-à-dire du nombre
d’opérations arithmétiques nécessaires pour
démoduler et identifier un symbole d’information.
D’où la nécessité de trouver d’autres algorithmes
pour réduire cette complexité.

REFERENCES
[1]A.Glavieux, M. Joindot, "Communications numériques,
Introduction", MASSON, 1996.

[2] ROUMY A, "Egalisation et décodage conjoints : Méthodes

Fig (III.7): L’égalisation du canal B par l’algorithme de Viterbi
et Algorithme aveugle MV
Turbo", Thèse de doctorat 2000, Université de Cergy-
Pontoise, FRANCE.
[3] Boulouird M. "Etude des méthodes d’égalisation de canaux
pour les communications numériques" Nouvembre 2001
Edi :Univ Caddi Ayyad, MAROC.

[4] Proakis J. G "Digital Communications", (4 th edition), Vol

11 pp 693-704 McGraw-Hill, 2001,

[5] G. D. Forney Jr. "The Viterbi algorithm". Proc. IEEE,

Vol. 61, pp., March 1973.

[7] Baudoin G. "Radiocommunications numériques 1".

DUNOD, 2002.
[8] Roux. J. "Notes de cours sur l’égalisation aveugle"
pp 4-25 janvier 2004