Professional Documents
Culture Documents
=
w
w
(2.6)
(2.7)
Conversion du signal
RF en Bande de base
Ordina-
teur
MATLAB
3 8
rcepteurs RF
fb = 2.125 GHz
Rseau
dantennes
Signal BPSK
de frquence
2.125 GHz
Chargement du Signal
BPSK (en bande de
base) chantillonn
40 Mbps
Calcul des
pondrations
des diffrents
lments
dantenne
Implmentation des
algorithmes dantennes
intelligentes
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
22
Cette analyse montre que nous pouvons employer les coefficients pour supprimer
compltement les signaux interfrents dun mme canal. Pour cela, la station de base doit tre
capable d'estimer les canaux entre chacun des mobiles et chacun des lments d'antenne. En
pratique, des coefficients optimums devraient tre estims en prsence du bruit, donc
linterfrence n'est pas compltement supprime. De ce fait, ils sont choisis de manire
maximiser le rapport signal l'interfrence plus bruit SINR (Signal-Interference-plus-Noise-
Ratio).
2.4. Quelques autres applications
Figure 2.8 : Exploitation dans le Bluetooth
[5]
Figure 2.9 : Exploitation en localisation et navigation ariennes
[13]
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
23
Lobjectif des antennes intelligentes est denvoyer un faisceau de rayonnement suivant
la ou les directions des signaux utiles au dtriment de celles des interfrents. Cela ncessite la
connaissance :
Soit des directions darrives des signaux utiles (DDA ou en anglais DOA) ;
Soit dun signal de rfrence par rapport auquel lantenne compare la sortie du rseau
avant dadapter les poids des diffrents signaux incidents.
Il sen dcoule deux principales approches de modlisation et une troisime, dite
aveugle qui souvent, tente dassocier les deux premires.
3.1. Approche ncessitant la connaissance de la DOA
3.1.1. Principe
Elle se passe en trois tapes :
1- Dtermination des directions darrive des diffrents signaux incidents ;
2- Pondration pour dtection de la direction du signal utile ;
3- Formation consquente du faisceau.
Figure 3.1. Principe de lapproche DOA
[14]
CHAPITRE 3 : APPROCHES DE MODELISATION
Dtermination des
directions darrive
Calcul des diffrents
poids
Formation consquente de
faisceaux (beamforming)
Interfrent
Utilisateur
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
24
3.1.2. Les algorithmes de DOA
[6]
Il existe divers algorithmes de DOA. Nous nen prsenterons que quelques uns. On les regroupe
gnralement en deux grandes catgories :
La premire, appele mthodes destimation spectrale comprend, entre autres, la
mthode de prdiction linaire (PRONY), la mthode de maximum de vraisemblance
(CAPON, ou en anglais MLM pour Maximum Liklihood Method), la mthode de
maximum dentropie (MEM pour Maximum Entropy Method), etc.
La deuxime catgorie dite mthodes structurelles valeurs propres (ou mthodes des
sous espaces) comprend entre autres, la minimisation de lerreur quadratique moyenne
(MMSE pour Minimum Mean Square Error), la mthode MUSIC (Multiple SIgnal
Classification), la mthode ESPRIT (Estimation Signal Parameters via Rotationnal
Invariance Techniques), etc.
3.1.2.1. Les mthodes destimation spectrale
Dans toute la suite, nous utiliserons les appellations suivantes :
M le nombre d'antennes du rseau linaire.
L le nombre de sources dtecter.
f la frquence de la porteuse et sa longueur donde.
d la distance entre les capteurs.
c la vitesse de propagation de l'onde.
3.1.2.1.1. La mthode de base : La transforme de Fourier spatiale
La transforme de Fourier est la premire mthode qui a t utilise pour dtecter les
angles d'arrive des signaux. Le principe est de raliser la transforme de Fourier dans l'espace
des signaux reus. Si on trace cette fonction pour une onde donne, on obtiendra un pic
d'nergie pour la direction dans laquelle se situe la source, donc dans le cas de la superposition
de plusieurs ondes on a des pics pour chaque DOA. Cette technique ncessite de prendre de
nombreux capteurs si on veut arriver des rsultats prcis.
Il est dmontr dans *2+ quon arrivera sparer deux ondes planes dangles
1
et
2
si
et seulement si :
(3.1)
>
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
25
Si ces techniques ont longtemps t utilises pour dtecter des sources, en particulier
dans les domaines des radars et des sonars, elles n'offraient pas des prcisions suffisantes et il a
rapidement fallu faire appel des techniques plus puissantes.
3.1.2.1.2. La Mthode de prdiction linaire: PRONY
Cette mthode a t la base des mthodes haute rsolution, elle a t prsente en
1795 et est base sur une dcomposition du signal en une somme d'exponentielles. PRONY
montr ([2,p10]), qu'une exponentielle e
j
k
t
chantillonne en e
j
k
nt
vrifie la relation de
rcurrence:
x
p
-z
L
x
p-1
= 0 ; ce qui quivaut (1-z
l
z
-1
)X
l
(z) = 0
Si L exponentielles sont prsentes et qu'il n'y a aucun bruit, la relation devient:
()( z
1
z
-1
)(1- z
L
z
-1
) = 0
En posant alors : b(z) = (1- z
1
z
-1
)...(1- z
L
z
-1
) = 1-b
1
z
-1
-b
2
z
-2
- b
L
z
-L
,
la relation (3.3) est quivalente une relation de rcurrence :
x
p
= b
1
x
p-1
+ + b
L
x
p-L
.
On peut alors dduire un systme L quations et L inconnues du type:
En rsolvant ce systme et dans le cas o il n'y a aucun bruit la solution est unique et on
peut en dduire les L DOAs.
3.1.2.1.3. La Mthode de maximum de Vraisemblance : CAPON
Elle est base sur une estimation sans biais et variance minimale, l'estimation est
d'autant meilleure que le nombre de ralisations est important.Elle permet partir de plusieurs
chantillons de signaux reus X, d'estimer l'amplitude d'une source en fonction de la direction,
en l'crivant sous la forme:
(3.2)
(3.3)
(3.6)
(3.4)
(3.5)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
26
f() =
X
Pour chaque source le schma est le suivant:
Fig.3.2 : arrive du signal sur un rseau linaire de capteurs
Si on appelle les sources S et les signaux reus X, il est dmontr dans [2] que le signal
en sortie du rseau peut scrire sous la forme :
o () = *a(
1
) a(
2
) a(
L
)+ avec a(
l
) le vecteur direction ou rponse impulsionnelle du
rseau dans la direction
l
et b(t) le bruit additionnel. Comme l'amplitude S doit tre restitue
sans biais cela impose que
R
b
h
doit tre minimale. On
dduit de ces hypothse que tout ceci quivaut
R
x
h
= a
2
+
R
b
h
minimale
La solution de (3.9) est :
h
= (a
H
()R
x
-1
a())
-1
R
x
-1
a()
La puissance moyenne du signal dans la direction est:
f
2
() =
E[xx
H
]h
R
x
h
En remplaant (3.10) dans (3.11) on obtient la formule du critre de Capon:
Cette fonction est maximale pour correspondant l'angle de la source.
X(t) = A()S(t) + b(t) (3.8)
(3.10)
(3.9)
(3.11)
(3.12)
f
2
() = (1)/[a
H
()(Rx)
-1
a()+
(3.7)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
27
Pour calculer R
x
on a une estimation grce la formule suivante:
avec N le nombre d'chantillons, c'est pourquoi plus le nombre de mesures est lev plus le
rsultat sera pertinent.
3.1.2.2. Les mthodes des sous espaces
Elles font suite historiquement la mthode de Capon, elles s'appuient sur une
dcomposition de l'espace en un espace bruit et un espace signal par recherche des valeurs
propres. On peut citer : la mthode min-Norm, la mthode CLOSEST, la mthode ESPRIT et la
plus utilise, la mthode MUSIC.
3.1.2.2.1. La mthode MUSIC (Multiple SIgnal Classification)
Cette mthode est trs rpandue car facile mettre en uvre, c'est pourquoi elle a t
utilise dans de nombreuses applications.
Si on reprend la relation (3.8) montre dans le paragraphe prcdent :
X(t) = A()S(t) + b(t), on peut dduire E[x(t)x
H
(t)] = R
x
= AR
s
A
H
+ R
B
do
R
x
= AR
s
A
H
+
2
n
I
O est la variance du bruit.
En calculant les valeurs propres de R
x
estim (formule 3.13), puis les vecteurs propres
correspondants (classs par ordre de valeurs propres dcroissantes), on obtient donc M
vecteurs propres, dont les L premiers correspondent au sous espace du signal Es, et les M-L
derniers au sous espace du bruit Eb :
E
s
= [e
1
e
2
e
L
] et E
b
= [e
L+1
e
L+2
e
M
]
En pratique on ne connat pas forcement la valeur L, on peut donc utiliser un seuil, les
valeurs propres faibles correspondant au bruit, et les autres au signal.
(3.14)
x
=
H
(t)
(3.13)
(3.15)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
28
On va ensuite tracer une fonction de cot qui ralise une projection de l'espace bruit sur
l'espace signal, donc qui cherche en fait pour quelles valeurs de l'espace bruit est orthogonal
l'espace signal ce qui correspond une DOA. Cette fonction est en fait un spectre en fonction
de maximal pour une DOA (car dnominateur tend vers 0). La fonction de cot de MUSIC est
la suivante:
Pour que l'algorithme fonctionne il faut forcment avoir un espace bruit et un espace
signal, la dimension de l'espace total tant gal M, si on prend un espace bruit de taille
minimale soit 1 la dimension de l'espace signal nous donne le nombre maximal de sources
pouvant tre dtectes soit M-1. La condition de fonctionnement de l'algorithme est donc:
L M-1 (3.17)
Comme pour la mthode de Capon, cette approche marche exclusivement pour des
sources dcorrles.
3.1.2.2.2. La mthode ESPRIT
Esprit calcule les DOAs par rapport un dplacement du rseau linaire. On travaille avec
deux rseaux d'antennes X et Y identiques dplacs d'un vecteur et on obtient la mesure des
angles par rapport la direction de .
Figure 3.3 : Dcomposition en deux sous rseaux
En gnral le plus simple est de ne travailler qu'avec un seul rseau de M antennes que l'on
dcompose en deux sous rseaux X et Y de dimension M-1, correspondant alors l'cart
entre deux antennes.
P
MUSIC
() = [a*()a()] / [a*()EE*a()]
(3.16)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
29
Figure 3.4 : Dcomposition utilise en pratique
Si on reprend la relation (3.8) applique au sous rseau X : X(t) = A()S(t) + b(t) alors le
signal capt par le sous rseau Y est:
Y(t) = A()S(t) + b(t)
O est une matrice diagonale de dimension LxL dont les lments non nuls valent e
j2cos(l)
, l
= 1 L.
On pose alors Ux et Uy deux matrices de dimensions (M-1)xL ayant leurs colonnes
correspondant aux vecteurs propres des matrices de covariance Rx et Ry respectivement.
Il existe une transformation non singulire telle que:
Uy = Ux
De plus les matrices Ux et Uy sont lies A par une transformation T telle que
Ux = AT et Uy = AT
En substituant (3.20) dans (3.19) il rsulte AT = AT soit TT
-1
= .
Les valeurs propres de sont donc les lments diagonaux de et les colonnes de T sont les
vecteurs propres de .
On trouve ensuite les angles d'arrive par la formule suivante:
n
= arcos[arg(
1
) / 2+, l = 1 L
avec
l
les valeurs propres de . Cette mthode est assez proche de MUSIC sauf qu'au lieu de
calculer la SVD d'une matrice d'autocorrelation puis parcourir un spectre, on fait deux SVD des
matrices Rx et Ry puis on cherche la matrice permettant de passer de l'une l'autre.
(3.18)
(3.19)
(3.20)
(3.21)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
30
3.2. Approche directe ncessitant une squence dapprentissage
3.2.1. Principe
La squence dapprentissage est une partie dinformation envoye connue du rcepteur
lui permettant de dduire de ltat darrive des bits la fonction de transfert du canal. On a
donc ici un signal de rfrence avec lequel lantenne confronte le signal en sortie du rseau. Les
algorithmes les plus utiliss sont:
- MMSE (minimisation de lerreur quadratique moyenne)
- SMI (Sampled Matrix Invariance)
- LMS (Least Mean Square)
- RLS (Recursive Least Square)
Ces algorithmes servent directement conformer les diagrammes de rayonnement suivant les
directions utiles (beamforming).
3.2.2. Les algorithmes dapprentissage
[15]
3.2.2.1. Le SMI (Sampled Matrix Inversion)
Dans cet algorithme, les pondrations sont choisies de faon minimiser lerreur
quadratique moyenne entre le signal de sortie du rseau dantennes et le signal de rfrence.
Lerreur quadratique moyenne est donne par :
E [{r(t)-W
H
x(t)}] = E [{r(t)] - 2W
H
R
r
+W
H
R
m
W
o x(t) est la sortie du rseau au temps t ; r(t) le signal de rfrence ;
R
m
= E [x(t)x
H
(t)] est la matrice de covariance du signal ;
R
r
= E [r(t)x
H
(t)] est la matrice de covariance entre le signal de rfrence et le signal de sortie
du rseau.
Le vecteur poids, pour lequel lquation (3.22) admet un minimum est obtenu en
annulant son vecteur gradient par rapport W. Cest--dire :
w
{E[{r(t)- W
H
x(t)}]} = - 2 R
r
+ 2R
m
W = 0
On tire alors : W
opt
= R
m
-1
R
r
(3.24)
(3.22)
(3.23)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
31
Ainsi, les poids optimaux peuvent aisment tre obtenus par une inversion directe de la
matrice de covariance. Cet algorithme ncessite un DSP puissant mais il a lavantage dtre plus
rapide que LMS.
3.2.2.2. Lalgorithme des moindres carrs moyens (LMS)
Elle est dite de gradient stochastique et est la version rcurrente du filtre de Wiener
[16].
Cet algorithme permet de calculer les pondrations selon lquation
W(n+1) = W(n) + x(n)[d
*
(n)-x
H
(n)W(n)]
o W(n+1) reprsente le poids la (n+1)
e
itration et le gain constant qui contrle le degr
dadaptation, cest--dire quelle vitesse et quel point, les poids estims sont proches des
poids optimaux. La convergence de lalgorithme dpend des valeurs propres de R (matrice de
corrlation du rseau). Dans un systme numrique, le signal de rfrence est obtenu par une
transmission priodique dun signal connu du rcepteur ou par lutilisation du spectre de code
dans le cas dun systme CDMA squence directe.
3.2.2.3. Algorithme des moindres carrs rcursifs (RLS)
Comme nous lavons dit prcdemment, la convergence du LMS dpend des valeurs
propres de R. Si R possde un trs large spectre, LMS devient assez lent. Ce problme peut tre
rsolu en remplaant le gain prcdent par une matrice R
-1
(n) la n
ime
itration. On a alors :
W(n) = W(n-1) R
-1
(n)x(n)
*
(W(n-1))
o R(n) est donn par : R(n) =
o
R(n-1) + x(n)x
H
(n) =
0
n-k
x(k)x
H
(k)
o
o
1 est utilis pour une estimation exponentielle des poids antrieurs.
est le signal erreur. Ainsi RLS est 10 fois plus rapide que LMS
[16]
.
3.3. Approche de ceux travaillant en aveugle
[14], [15]
Ces algorithmes sont souvent associs aux autres techniques. Ils tentent dextraire les
caractristiques du canal des informations reues dans le signal. Leur traitement est lourd et
difficile en temps rel. Cest ce qui justifie leur faible utilisation. Un exemple dalgorithme de ce
type est le CMA : Constant Modulus Amplitude (en franais : Modulation Amplitude
Constante).
(3.25)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
32
Sa configuration est la mme que celle du systme SMI la seule diffrence quici un
signal de rfrence nest pas requis. Cest un algorithme de gradient qui travaille selon la
thorie que lexistence dinterfrences entrane gnralement des variations damplitude du
signal transmis, qui nanmoins possde une enveloppe constante. Lactualisation des poids est
obtenue par minimisation de la moyenne positive de la fonction cot : J
n
= E [(|y(n)| - y
o
)]
Les poids sont alors : W(n+1) = W(n) - g(W(n))
o y(n) est la sortie du rseau aprs la n
ime
itration ;
y
o
lamplitude de lenveloppe du signal dsir en absence dinterfrence ;
g(w(n)) une estimation de la fonction cot. Cet algorithme ne converge pas toujours ; cest
pourquoi des informations additionnelles sur le signal de rfrences sont souvent ncessaires.
Nous naurons pas le simuler.
(3.26)
(3.27)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
33
Nous avons vu que les rseaux dantennes se prsentent sous trois configurations
principales : linaire, planaire et circulaire.
Nos rsultats pour le rseau linaire sont en concordance avec ceux publis dans
larticle de Tom MATHES et Al., 2003
[1]
. Nous allons tendre le travail au rseau planaire.
4.1- Les hypothses
Nous supposons dans ce travail que :
1- Tous les signaux incidents au rseau dantennes ne sont constitus que dondes planes
(onde lectromagntique idale)
2- Lmetteur et les objets causant le multi-trajet sont tous situs dans la rgion de champ
lointain de lantenne (rgion de Fraunhofer)
3- Le couplage mutuel entre les divers lments dantennes est ngligeable
4- La distance inter lments est trs petite si bien que les amplitudes des signaux reus
en deux quelconques lments ne diffrent pas de faon significative.
5- Cette distance est fixe, aussi bien suivant les lignes que les colonnes /2.
(dx = dy = /2. En effet, prendre d suprieur /2 entrane des lobes indsirables et le
prendre infrieur /2 cre le couplage mutuel).
6- Chaque lment dantenne possde le mme diagramme de rayonnement et la mme
orientation (polarisation).
4.2- Modle thorique
Considrons un rseau uniforme rectangulaire MxP dantennes sur lequel arrivent L
signaux incidents provenant de L sources dtecter. Gnralement le rseau possde un
lment de rfrence qui est lorigine du repre (o, x, y, z) permettant de ltudier.
Considrons que cette rfrence soit localise en lun des sommets du rectangle et que
les axes (x, y) soient dirigs suivant ses cts avec z vertical.
CHAPITRE 4 : MODELE THEORIQUE DUNE ANTENNE PLANAIRE
ADAPTATIVE
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
34
Figure 4.1- Rseau MXP uniforme dantennes
[3(b)]
.
Les coordonnes dun lment de rangs respectifs m suivant x et p suivant y seront
notes (x
mp
, y
mp
, z
mp
).
On montre dans [1] que les signaux arrivant sur cet lment prsentent un dphasage
mp
par rapport lorigine donn par :
mp
=
mp
(t)-
1
(t) = -kx
mp
cos()sin()-ky
mp
sin()sin()-kz
mp
cos()
Or pour le rseau planaire z
mp
= 0, x
mp
= (m-1)d et y
mp
= (p-1)d
Do
Ainsi le signal reu sur le capteur en (m, p) et en provenance dune source l est :
x
mp
(t) = m
l
(t)e
j(2f0t+mp)
+b
mp
(t)
o s
l
(t) = m
l
(t)e
j(2f0t)
est le signal incident reu sur le capteur de rfrence et b
mp
(t) le bruit additif sur le capteur en
(m,p). Ds lors :
X
mp
(t) = S
l
(t)e
jmp
+ b
mp
(t) = S
l
(t).a
mp
(
l
,
l
) + b
mp
(t)
o a
mp
(
l
,
l
) = e
jmp
= exp{-jkdsin(
l
)[(m-1)cos(
l
) + (p-1)sin(
l
)]}
En considrant toutes les sources ensemble, le signal incident sur le capteur en (m,p)
sera : X
mp
(t) =
S
l
(t) a
mp
(
l
,
l
)]
+ b
mp
(t)
mp
= -kdsin()[(m-1)cos() + (p-1)sin()]
(4.1)
(4.2)
(4.3)
(4.4)
(4.5)
(4.6)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
35
Contrairement au vecteur signal du rseau linaire, on aura une matrice signal du
rseau :
11 12 1 1
21 22 2 2
1 2
1 2
( ) ... ...
... ...
( )
... ( )...
... ...
p P
p P
m m mp mP
M M Mp MP
x t x x x
x x x x
X t
x x x t x
x x x x
(
(
(
=
(
(
(
On peut alors dfinir la matrice dphasage provenant dune source l sur les diffrents
lments du rseau par :
12 1 1
21 22 2 2
1 2
1 2
1 ... ...
... ...
( ( , ))
( , ) ... ...
( , ) ...
p P
p P
l mp l l
m l l m mp mP
M l l M Mp MP
a a a
a a a a
A a
a a a a
a a a a
| u
| u
| u
(
(
(
= =
(
(
(
La matrice retard produite par toutes les L sources sera une matrice Mx(PxL) M lignes
et PxL colonnes :
( )( ) ( )
12 1
21 1 1 22 2
2 3
1 1 1 2
1 1 1 2
1 ...
( , ) ...
...
( , ) ...
( , ) ...
P
P
L
m m mP
M M MP
a a
a a a
A A A A
a a a
a a a
| u
| u
| u
(
| |
( |
( |
=
( |
( |
|
(
\ .
Comme dans le cas linaire, le vecteur signal incident sera toujours
S(t) = (S
1
(t), S
2
(t) . S
L
)
T
Le bruit sur lensemble du rseau devient une matrice (b
mp
). Ds lors
X(t) = AS(t) + (b
mp
)
A
1
(4.7)
(4.8)
(4.9)
(4.10)
(4.11)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
36
Dautre part, le vecteur poids permettant le beamforming devient une matrice M x P
donne par:
11 12 1 1
21 22 2 2
1 2
1 2
... ...
... ...
... ...
... ...
p P
p P
m m mp mP
M M Mp MP
w w w w
w w w w
W
w w w w
w w w w
(
(
(
=
(
(
(
Le signal obtenu en sortie du rseau sera alors :
Y(t) =
*
1 1
M P
mp mp
m p
w X
= =
| |
|
\ .
= W
H
X (t).
O W
H
est le complexe conjugu de la transpose de la matrice W.
Si les composantes de X(t) peuvent tre modlises par des processus stationnaires
moyenne nulle, la puissance moyenne de sortie donnant le spectre du processus est :
P= E[Y(t).Y*(t)] = W
H
.R
xx
.W
O R
xx
est la matrice de corrlation dfinie par :
R
xx
= E[X(t)X
H
(t)]
et en remplaant X(t) par lexpression (4.11), on obtient :
R
xx
= ASA
H
+
2
n
I
O I est la matrice identit de dimension M et
n
la variance du bruit.
4.3. Implmentation sous MATLAB.
Le but de ce paragraphe est de gnrer le signal que nous utiliserons aux chapitres 5,6
et 7 pour simuler notre antenne planaire.
(4.12)
(4.13)
(4.14)
(4.16)
(4.15)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
37
4.3.1. Le signal incident au point de rfrence.
Nous avons considr prcdemment que le signal incident provenant dune source
au point de rfrence est donn par s
l
(t) = m
l
(t)e
j(2f0t)
o m
l
(t) est la fonction complexe de
modlisation. Elle dpend de la technique de modulation utilise dans le systme. En gnral
m
l
(t) est modlise par un filtre passe bas complexe de moyenne nulle et de variance gale la
puissance de la source mettrice.
Dans notre travail, nous considrons que nous sommes dans le cas dun systme CDMA.
Pour un tel systme, m
l
(t) est donn par m
l
(t) = d
l
(t)*g(t) o d
l
(t) est la squence du message et
g(t) une squence pseudo-alatoire binaire du bruit prenant les valeurs +1 ou -1.
Sous MATLAB, d
l
(t) et g(t) sont modliss par deux matrices LXN o L est le nombre de
signaux utiles et N le nombre dchantillons. Ainsi on crit:
Data = round(rand(L,N));
Data _ Noise = sign(rand(L,N)-0.5);
Tout signal incident est affect par une amplitude dexcitation et une phase alatoire
constante indpendante du temps.
Pour lillustrer considrons un rseau carr (pour ncessit dinversibilit des matrices)
comprenant MxM antennes uniformment rparties suivant d = /2. Supposons que M = 5, le
nombre dchantillons N = 100 et quon a L = 3 signaux incidents de frquences porteuse
f
0
=1GHz dont lun provient dun utilisateur mobile et les deux autres dinterfrents supposs
fixes. Les amplitudes et phases incidentes peuvent alors tre obtenues par les codes MATLAB
suivants :
Ampl = [1*ones(1,N);
1*ones(1,N);
1*ones(1,N)]; % (L*N)
Phase = [2*pi*rand*ones(1,N);
2*pi*rand*ones(1,N);
2*pi*rand*ones(1,N)];
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
38
Nous dfinissons galement les autres proprits des signaux incidents et du rseau
dantennes :
c = 3E8; % speed of light
% antenna properties
M = 5; % number of elements in antenna array
m = (1:1:M)'; % vector used later
% time
N = 100; % number of timesteps
dt = 1E-4; % length of timestep
t = (0:dt:(N-1)*dt); % time vector
%------------------------------------------------------------
% incoming signals properties
%------------------------------------------------------------
L = 3; % number of incoming signals
f0 = 1E9; % incoming signal frequency
f = f0*ones(L,1); % (L*1)
% additional variables
lambda = c/f0; % wavelength
k = 2*pi/lambda; % wave number
d = lambda/2; % spacing between antenna elements
Nous pouvons alors calculer les signaux incidents reus au niveau de llment de
rfrence : s = Data.*Ampl.*exp(j*(2*pi*f*t + Phase));
4.3.2. La matrice dphasage du rseau
Les informations sur les positions des sources incidentes sont contenues dans la matrice
A telle que dfinie en (4.9) toutefois commenons par entrer les angles de nos signaux
incidents :
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
39
% angles of incoming signals (in degrees) (1*L)
phi_deg = [30 60 90];
theta_deg = [90 90 90]; % cas plan horizontal
% angles of incoming signals (in rad) (1*L)
phi = phi_deg*(pi/180);
theta = theta_deg*(pi/180);
Le rseau planaire tant dfini en dimension 2, nous crons dabord un maillage horizontal :
[thet11,thet22] = meshgrid(0:M-1,0:M-1);
Puis nous les redimensionnons afin de pouvoir faire le produit avec les angles incidents:
[thet11,thet22] = meshgrid(0:M-1,0:M-1);
thet1 = reshape(thet11',1,M*M);
thet2 = reshape(thet22',1,M*M);
angle1 = cos(phi).*sin(theta);
angle2 = sin(phi).*sin(theta);
Nous en dduisons ds lors la matrice dphasage du rseau:
A = exp(-j*k*d*(thet1'*angle1 + thet2'*angle2));
4.3.3. La matrice bruit
Nous avons vu que le bruit est caractris par une variance
2
n
Cette valeur ntant pas facilement calculable, nous prfrons utiliser le rapport signal sur bruit
SNR en dcibels (dB). Si nous supposons que lamplitude des signaux incidents est gale 1 et
que pendant de larges intervalles de temps nous avons autant de 1 que de 0 dans le flux de bits
reu par lantenne, nous pouvons supposer que la puissance des signaux incidents est 1/4W.
Dans le modle de notre signal, nous ne prenons pas en compte les effets de
latmosphre ni des immeubles environnants de la BTS qui occasionnent gnralement des
retards de propagation et des vanouissements de multi-trajets.
Le code MATLAB de la matrice bruit est alors :
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
40
% noise properties
SNR = 20; % signal to noise ratio (in dB)
sigma = sqrt((1/4)/10^(SNR/10));
n = sigma*randn(M*M,N);
4.3.4. La matrice signal du rseau dantennes
Nous pouvons prsent crer la matrice du signal du rseau au rang temporel i par :
% this matrix contains the signals measured at the antenna outputs
X = A*s +n;
cette matrice (MxM)xN contient lvolution temporelle des MxM signaux mesurs la
sortie du rseau. Ces signaux seront pondrs et somms au moyen dun processeur de signaux
numriques (DSP) afin de ragir dynamiquement et automatiquement lenvironnement de la
BTS.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
41
5.1. Aspect mathmatique de MUSIC
5.1.1. Calcul de la matrice de corrlation
Lalgorithme MUSIC requiert la matrice de corrlation R
xx.
Or sa valeur exacte R
xx
=
E[X(t)X
H
(t)+ nest pas calculable en pratique. Nous la remplaons donc
par son estim que nous
noterons toutefois toujours R
xx
. Cet estim
pour N chantillons X(n), n = 0,1,, N-1 peut tre
obtenu par une simple moyenne :
R
xx
= (1/N) ()
X
H
(n)
o X(n) reprsente lchantillon signal du rseau, dit aussi photographie ou clich du rseau,
linstant nT o T est la priode dchantillonnage.
5.1.2. Valeurs Propres de R
xx
R
xx
tant de dimension MxM, comporte M valeurs propres. En notant les M valeurs propres
par ordre dcroissant :
m,
m=1, , M et leurs vecteurs propres correspondants par U
m
, la
matrice prend la forme suivante : R
xx
=
H
avec la matrice diagonale contenant les valeurs propres :
=
(
et = (U
1
U
2
, , U
m
) contenant les vecteurs propres.
Cette reprsentation est gnralement appele dcomposition spectrale de R
xx
.
CHAPITRE 5 : DETECTION DE DIRECTIONS DARRIVEE SUR UNE
ANTENNE PLANAIRE ADAPTATIVE PAR LALGORITHME MUSIC
(5.1)
(5.2)
(5.3)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
42
Les valeurs propres de R
xx
peuvent tre rparties en deux sous-groupes lorsque
lenvironnement est constitu de sources non corrles et dun bruit blanc non corrl : Les L
plus grandes valeurs propres correspondent L directions de sources utiles et leurs vecteurs
propres associs sont les vecteurs propres du signal.
Les (M-L) plus petites valeurs propres sont gales la puissance du bruit (
2
n
), et leurs
vecteurs propres correspondants sont les vecteurs propres du bruit. Plus le nombre de capteurs
est grand, plus on a des possibilits de dtecter des sources.
Les vecteurs propres de R
xx
sont orthogonaux entre eux, et donc peuvent dfinir un espace
de dimension M. Cet espace peut alors tre divis en deux sous espaces orthogonaux : le sous
espace signal dfini par les L premiers vecteurs propres et le sous espace bruit dfini par les (M-
L) restants.
5.1.3. Calcul du spectre de MUSIC
Il est dfini par : P(,) = 1/( a
H
(,)
N
( )
)
o
N
= (U
L+1
, U
L+2
, , U
M
) est lensemble des vecteurs propres du bruit et a(,) la matrice
dphasage dans la direction (,). La matrice
N
0=
A
H
(
0
,
0
)R
xx
A(
0
,
0
)
Nous pouvons en dduire W:
R
xx
-1
A(
0
,
0
)
W
=
A
H
(
0
,
0
)R
xx
A(
0
,
0
)
Ces poids minimisent la puissance moyenne de sortie tout en maintenant une rponse
unit dans la direction de lutilisateur. Ainsi le processus minimise le bruit total comprenant les
interfrences et les bruits de corrlation.
La valeur de R
xx
ntant pas disponible, on utilise son estim (quation 5.1). La
nouveaut dans cette technique est quon na plus besoin dattendre que tous les chantillons
arrivent avant de calculer R
xx
. Il peut tre actualis chaque fois quun nouvel chantillon arrive
en utilisant lexpression :
nR
xx
[n]+X[n+1]X
H
[n+1]
Rxx[n+1]= (6.13)
n+1
6.4.2. Implmentation sous MATLAB
6.4.2.1 Cas statique
(6.11)
(6.12)
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
59
Aucun des utilisateurs nest en mouvement. Le vecteur signal X peut tre calcul comme
au chapitre 4. R
xx
est alors actualis la fin de chaque prise (photographie, clich) par :
R
xx
_n1=R
xx
_n ;
(i*R
xx
_n1+X( :,i)*X( :,i))
R
xx
_n= (6.14)
(i+1)
R
xx
est initialis ainsi : R
xx
_n=10*sigma*eye(M) (6.15)
Aprs que le dernier chantillon soit reu dans R
xx
, la matrice de dphasage est calcule
par :
phi_0 = phi_all(1,i);
theta_0 = theta_all(1,i);
[thet11,thet22] = meshgrid(0:M-1,0:M-1);
thet1 = reshape(thet11',1,M*M);
thet2 = reshape(thet22',1,M*M);
angle1 = cos(phi_0).*sin(theta_0);
angle2 = sin(phi_0).*sin(theta_0);
s0 = exp(-j*k*d*(thet1'*angle1 + thet2'*angle2));
O phi_0 contient linformation sur la position de lutilisateur dsir. Finalement les
poids sont calculs par :
% weights
w = (inv(Rxx_n)*s0)/(s0'*inv(Rxx_n)*s0);
Le rayonnement du beamformer optimal tend avoir de longs lobes et une
mauvaise annulation des interfrences ; ceci est caus dune part par la maximisation du SINR
et dautre part par le bruit thermique, qui ne devrait pas tre carrel dun capteur un autre
mais qui, pour un nombre fini dchantillons, parat ltre. Le moyen le plus simple de remdier
ces limitations est dajouter Rxx, un bruit idal thermique artificiel. Puisque la matrice de
covariance dun bruit thermique idal est une matrice diagonale, nous pouvons ajouter Rxx
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
60
une matrice diagonale qui domine leffet nuisant de la corrlation du bruit initial. Dans *1+, cas
du rseau linaire, cette matrice de surcharge attnue considrablement les effets des
corrlations du bruit. Elle rduit le nombre dchantillons requis pour obtenir de bons rsultats.
Sous MATLAB, la surcharge de R
xx
est faite de la manire suivante :
Rxx_n = repmat(Rxx_n, 9, 9);
Rxx_n1 = Rxx_n;
Rxx_n = (i*Rxx_n1 + [X(:,i) D]*[X(:,i) D]' )/(i+1);
D est dfini ainsi : D = D_cst*sigma*eye(M); o D_cst est une constante. Nous tudierons
linfluence de la matrice de surcharge dans la partie simulation.
6.4.2.2. Cas dynamique
Un ou plusieurs utilisateurs sont mobiles. La mthode utilise sera une fois de plus,
comme dans le cas de MUSIC, le fentrage avec des fentres non entrelaces. De plus, les
utilisateurs ne doivent pas se dplacer dune trop grande distance pendant une fentre. Les
pondrations et R
xx
sont alors actualises la fin de chaque fentre.
6.4.3. Rsultats des simulations
Nous supposons dans toute cette partie que la frquence des signaux incidents est de
1.8GHz et que la frquence dchantillonnage est de 10KHz.
6.4.3.1. Cas statique
Il correspond au cas o aucun des utilisateurs ne se dplace. Considrons un rseau 9x9
et L=5 signaux incidents. Lutilisateur est situ en 50 tandis que les interfrents sont en 25,
80, 130 et 155. SNR=20dB. Le code MATLAB se trouve en annexe.
Influence de la matrice de surcharge
- Le premier exemple est sans matrice de surcharge.
La figure 6.3 suivante nous donne les diffrents diagrammes pour diffrentes valeurs de N.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
61
(a) N = 10 (b) N = 50 (c) N= 100
(d) N = 500 (e) N = 1000 (f) N = 5000
Figure 6.3 : Optimal beamformer sans matrice de surcharge pour diffrents N.
Dune part, nous constatons que plus la valeur de N est grande, plus lalgorithme prend
du temps pour converger.
Dautre part, indpendamment de la valeur de N, nous constatons que les interfrents
sont effectivement annuls mais les hauteurs des lobes secondaires restent trs leves, ce qui
ne favorise vritablement pas la rduction du bruit. Par contre pour des positions de
lutilisateur comprises entre 60 et 120, la rponse du rseau est parfaite. Nous avons par
exemple les deux diagrammes suivants pour
0
= 80 et
0
= 110 avec N = 10.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
62
(a) = 80 (b) = 110
Figure 6.4 : Optimal beamformer sans matrice de surcharge pour N=10 et des positions de
lutilisateur comprises entre 60 et 120.
- Considrons un nouvel exemple avec une matrice de surcharge et
0
= 50.
D_cst=10. Les rsultats sont sur la figure 6.4 pour diffrentes valeurs de N :
(a) N = 10 (b) N = 50 (c) N = 100
(d) N = 500 (e) N = 1000 (f) N = 5000
Figure 6.5 : Optimal beamformer avec matrice de surcharge pour diffrents N
Nous constatons que le fait dajouter la matrice de surcharge na pas deffet notable sur la
qualit des rsultats comme ctait le cas pour le rseau linaire dvelopp dans [1].
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
63
Par contre la position de lutilisateur influe considrablement la rponse du rseau.
Lorsque celui-ci se trouve entre 60 et 120, le lobe principal est bien centr et les interfrences
bien annules. Cest le cas sur la figure suivante:
(a) = 80 (b) = 110
Figure 6.6 : Optimal beamformer avec matrice de surcharge pour N=10 et des positions de
lutilisateur comprises entre 60 et 120.
Influence de M par rapport L :
Les rsultats prcdents correspondent M = 9 et L = 7. Faisons varier M dans le cas o
lutilisateur se trouve en 80 et N = 100.
(a) M = 9 (b) M = 7 (c) M = 5
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
64
(d) M = 4 (e) M = 3 (f) M = 2
Figure 6.7 : Optimal beamformer avec matrice de surcharge et diffrents M.
Lorsque M diminue, le lobe principal slargit synonyme de dgradation possible de
qualit. Pour M = 3, autrement dit pour un rseau 3x3, les interfrents ne sont plus annuls et
les lobes secondaires slvent. Ces rsultats se dgradent carrment pour M =2. Ainsi le
rsultat tabli au 5.3.1.4 est justifi:
L
max
= (M-m+1)
2
-1, O m est le nombre maximal de sous rseaux: m = (M+1)/2.
Influence du SNR
(a) SNR = 20 dB (b) SNR = 0dB
Figure 6.8: Influence du SNR avec M=9 et N = 100
Nous constatons quannuler le SNR na pas deffet notable sur la rponse du rseau.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
65
6.4.3.2. Cas dynamique
Larges fentres et petite vitesse de dplacement de lutilisateur
Considrons la situation o M=9, L=5, SNR=20dB et D_cst = 20. La taille dune fentre est de 80
chantillons. Lutilisateur principal se dplace de 80 120 en 4000 chantillons soit une
vitesse de dplacement de 0.01 degr/chantillon cest- -dire 0.8 degr/fentre pendant que
les interfrents sont situs 25, 50, 130 et 155 dgrs. Sous MATLAB, on voit effectivement
comment le lobe principal se dplace pour poursuivre la cible de 80 120. Les rsultats sont
rassembls sur la figure 6.9 suivante.
(a) Utilisateur 85 (b) Utilisateur 100
(c) Utilisateur 108 (d) Erreur correspondante
Figure 6.9 : beamformer optimal cas dynamique avec fntres de 80 chantillons et une
vitesse de lutilisateur de 0.01 degr/chantillon
Nous avons dfini lerreur de lantenne comme la diffrence entre le signal incident et le
signal dlivr par le rseau dantennes. Cette erreur pour la premire fentre sera gale au
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
66
signal incident en attendant lactualisation de ses poids. Elle diminue au fur et mesure que
lalgorithme tend converger (figure 6.9(d)).
Larges fentres et grande vitesse de dplacement de lutilisateur
Nous reprenons lexemple prcdent except que N = 1000, ce qui fait une vitesse de 0.04
degr/chantillon. Les rsultats sont rassembls sur la figure 6.10 suivante.
(a) Utilisateur 90 (b) Utilisateur 100
(c) Utilisateur 108 (d) erreur correspondante
Figure 6.10 : beamformer optimal cas dynamique avec fntres de 80 chantillons et une
vitesse de lutilisateur de 0.04 degr/chantillon
Petites fentres et petite vitesse de dplacement de lutilisateur
Cet exemple est identique au premier mais avec cette fois des fentres de 20
chantillons. Les rsultats sont les suivants :
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
67
(a) Utilisateur 90 (b) Utilisateur 100
(a) Utilisateur 110 (b) Utilisateur 120
Figure 6.11 : beamformer optimal cas dynamique avec fntres de 20 chantillons et
une vitesse de lutilisateur de 0.01 degr/chantillon
6.5. CONCLUSION :
Ces simulations nous montrent que le rseau planaire ne subit pas trop dinfluence de la
part des diffrents paramtres de lantenne comme ctait le cas avec le rseau linaire dont
les rsultats sont conformes ceux dvelopps dans [1]. Il est plutt influenc par la position
de lutilisateur. Il faudra alors six de ces rseaux pour couvrir 360.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
68
7.1. Formation de faisceaux par lalgorithme des moindres carrs moyens (LMS beamformer)
7.1.1. Implmentation sous MATLAB
7.1.1.1. Cas statique
Pour implmenter lalgorithme du LMS dcrit au paragraphe 3.2.2.2, nous avons besoin
dun signal de rfrence. Nous prenons un signal identique au signal envoy par lutilisateur
principal. Il sera not dd et sera dfini par :
dd = Data (1, :).*exp(j*2*pi*f0*t);
Les poids sont alors initialiss ainsi: w = zeros(1, M*M);
Cette fois nous navons pas besoin de matrice de surcharge mais plutt de dfinir une
constante (appel mu_cst dans le code MATLAB). La valeur de cette constante, nous lavons
vu, est trs importante pour la convergence de lalgorithme que nous implmentons ainsi :
y(:,i) = w*X(:,i);
e(i) = dd(i) - y(i);
w = w + mu_cst*X(:,i)*e(i);
o y(i) est le signal de sortie du rseau au temps i et e(i) lerreur correspondante.
Lorganigramme de lalgorithme est le suivant:
CHAPITRE 7 : SIMULATION DUNE ANTENNE PLANAIRE ADAPTATIVE
PAR LAPPROCHE A SEQUENCE DAPPRENTISSAGE
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
69
Figure 7.1 : Organigramme de lalgorithme du LMS , cas statique
7.1.1.2. Cas dynamique
Les poids sont calculs exactement de la mme faon que pour le cas statique except
que nous appliquons encore la technique de fentrage . Les poids sont renouvels la fin de
chaque fentre. Ces fentres doivent tre suffisamment larges pour permettre datteindre la
convergence.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
70
Figure 7.2 : Organigramme de lalgorithme du LMS , cas dynamique
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
71
7.1.2. Rsultats de simulation
7.1.2.1. Cas statique
Considrons un exemple de base o mu_cst = 0.010, SNR = 20dB, M = 9 et avec un
utilisateur plac en 80 et des interfrents en 25, 50, 130 et 155. La figure suivante donne
les diagrammes pour diffrentes valeurs de N.
(a) N = 33 (b) N = 66 (c) N = 99
(d) N = 132 (e) N = 200 (f) Erreur pour N = 200
Figure 7.3 : LMS beamformer pour diffrentes valeurs de N
Lerreur est trs faible et ponctuelle. Nous en dduisons que le rseau planaire offre une
bonne rponse synonyme daugmentation de qualit. Toutefois, elle varie lgrement dune
simulation lautre.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
72
Influence de :
Pour N = 200, la figure 7.4 suivante montre que pour = 0.050, la convergence est trs rapide
(ds les premiers chantillons) mais les erreurs et les lobes secondaires prsentent des pics trs
levs, ce qui ne favorise pas llimination du bruit.
Dans le second cas par contre le lobe principal est bien accentu tandis que les
interfrences sont limines. De plus les erreurs sont assez basses. Par contre lalgorithme met
un peu plus de temps pour converger.
(a) NAF (b) Erreur
Figure 7.4 : diagramme (a) et erreur (b) pour = 0.050
(a) NAF (b) Erreur
Figure 7.5 : diagramme (a) et erreur (b) pour = 0.005
Les simulations montrent que pour des valeurs de suprieures 0.06, la convergence
de lalgorithme nest mme plus garantie. Toutefois cette limite suprieure de convergence
peut varier avec les diffrents autres paramtres (SNR, M, L, la position de lutilisateur, etc.).
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
73
Influence du SNR:
Fixons 0.010, N 33 et comparons les courbes derreur pour diffrentes valeurs du SNR. La
figure 7.6 suivante prsente les rsultats :
SNR = 00 SNR = 10 SNR = 20
Figure 7.6 : Erreurs pour diffrentes valeurs du SNR et = 0.010.
Ces courbes montrent que pour de faibles valeurs du SNR, doit tre trs faible pour conserver
la mme prcision aprs convergence ; le compromis est alors le temps de convergence qui
devient un peu plus important.
Influence de M: Pour N = 200, et SNR = 20dB, comparons les
courbes derreur pour diffrentes valeurs de M :
(a) M = 7 (b) M = 5 (c) M = 3
Figure 7.7 : Courbes derreur pour diffrentes valeurs de M.
Lorsque M diminue, lerreur augmente et lalgorithme prend plus de temps
converger.. M infrieure 4 donne des erreurs plus importantes. Autrement dit les 5 sources
ne sont plus correctement dtectables. Nous comprenons alors le rsultat tabli dans [2p30]
savoir : le nombre maximal de sources dtectables par un rseau carr MxM est de (M-m+1)
2
-1
o m = (M+1)/2 est le nombre maximal de sous-rseaux du rseau.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
74
7.1.2.2. Cas dynamique
- Reconsidrons la situation dynamique du beamformer optimal o M=9, L=5
et SNR=20dB. La taille dune fentre est de 80 chantillons. Lutilisateur principal se dplace
de 80 120 en 4000 chantillons soit une vitesse de dplacement de
0.01degr/chantillon cest- -dire 0.8 degr/fentre pendant que les interfrents seront
cette fois situs 50, 100, 130 et 155 dgres. Cette fois au lieu de D_cst, nous avons =
0.020. La figure 7.8 suivante donne les diagrammes pour diffrentes positions de
lutilisateur :
(a) Utilisateur 90 Utilisateur 100 Utilisateur 110
Figure 7.8 : LMS beamformer cas dynamique avec fntres de 80 chantillons et une
vitesse de lutilisateur de 0.01 degr/chantillon
Nous obtenons aussi les erreurs en sortie du rseau avant et aprs pondrations :
(a) Avant pondrations (b) Aprs pondrations
Figure7.9 : Erreurs en sortie du rseau lMS beamformer cas dynamique avec fntres de 80
chantillons et une vitesse de lutilisateur de 0.01 deg/chantillon.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
75
La figure 7.9(a) prsente lerreur utilise pour actualiser les poids aprs chaque 80 chantillons.
Une fois actualiss, ces poids restent constants durant toute la fentre et sont utiliss pour
calculer lerreur relle en sortie du rseau. Ainsi, adapter les signaux en sortie du rseau,
permet dobtenir des rsultats les moins biaiss possibles et selon le critre poursuivi.
- Reprenons cet exemple en rduisant la taille de la fentre 20 chantillons:
(a) Avant pondrations (b) Aprs pondrations
Figure7.10 : Erreurs en sortie du rseau lMS beamformer cas dynamique avec fntres de
20 chantillons et une vitesse de lutilisateur de 0.01 deg/chantillon
La fentre tant petite, lerreur est actualise un plus grand nombre de fois.
7.2. Cas dune propagation avec multi-trajet
Nous avons considr dans les simulations prcdentes que le signal de lutilisateur est
reu suivant une seule direction. Quen est-il lorsquil arrive par plusieurs directions telles quil
en est souvent dans le cas rel?
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
76
B T S
B T S
Source de
lutilisateur
principal
Utilisateur
Interfrent
1
Interfrent 2
Utilisa-
teur
Interfrent 3
Figure 7.11 : Exemple de cas possible
7.2.1. Cas statique :
Lorganigramme de lalgorithme restant le mme, nous modifions dans le code MATLAB
du LMS beamformer sans multi-trajet, les donnes de lutilisateur.
Data = round(rand(L,N)); est remplac par lensemble de codes suivant :
Data_U = round(rand(1,N)); % user data
Data_I = round(rand(L-2,N)); % interferer data
Data = [Data_U; Data_U; Data_I];
Nous modifions galement lindication des positions de lutilisateur :
phi_plot_usr(round(phi_all_deg(1:2,i)*10)) = 1;
Lalgorithme dtecte alors automatiquement quil ya deux signaux utiles et envoie deux
faisceaux suivant leurs directions.
Considrons que le signal utile arrive suivant 80 et 120 et les interfrents suivant 25,
50 et 155. SNR = 20dB, M = 9, N = 500 et =0.010. La figure 7.12 nous donne les diagrammes
et les erreurs obtenus :
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
77
(a) Diagramme sans multi-trajet, N = 200 (b) Erreur correspondante
(c)Diagramme avec multi-trajet, N = 200 (d) Erreur correspondante
Figure 7.12: LMS beamformer cas statique avec et sans multi-trajet
Nous rappelons que les deux signaux utiles prcdents sont supposs arriver en phase sur le
rseau. Dans le cas contraire, un seul serait dtect
[1]
.
7.2.2. Cas dynamique
Reconsidrons notre cas classique o lutilisateur est en mouvement. Nous aurons alors
un signal qui se dplace de 80 120 et lautre de 120 160 en 4000 chantillons. Les
interfrents sont toujours en 25, 50, et 155.
Pour = 0.030, la figure 7.13 suivante prsente lvolution (en bleu) des deux signaux en
phase de lutilisateur principal et des interfrents (en rouge):
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
78
Figure 7.13 : Evolution des deux signaux de lutilisateur principal
Nous obtenons galement les erreurs en sortie du rseau.
(a) Erreurs avant pondrations (b) Erreurs aprs pondrations
Figure 7.14 : Erreurs en sortie du rseau LMS beamformer cas multi-trajet avec fntres de
20 chantillons et vitesse de lutilisateur de 0.01 deg/chantillon
Conclusion : Nous comprenons que le multi-trajet peut tre exploit comme dans le cas
dune interfrence constructive pour minimiser lerreur en sortie du rseau, synonyme de
probable augmentation de qualit de transmission.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
79
Aprs avoir prsent la ncessit dutiliser les antennes intelligentes pour optimiser les
rseaux de radiocommunication, un tat de lart sur ces antennes a t effectu. Puis une
tude des diffrentes mthodes utilises pour leur modlisation a t mene.
Pour lapproche DOA, lalgorithme MUSIC fut retenu et test pour la dtermination
des directions darrives, respectivement dans le cas statique correspondant au cas o tous les
signaux incidents sont fixes et le cas dynamique, qui lui, correspond au cas o lutilisateur est
en dplacement. Trois algorithmes de beamforming furent alors tests pour la formation des
faisceaux correspondants.
Quant lapproche directe squence dapprentissage, quatre algorithmes furent
simuls : lalgorithme du LMS statique, celui dynamique, lalgorithme du LMS statique en cas de
propagation multi-trajet et celui dynamique.
Nous avons not que comparativement au rseau linaire, lantenne planaire adaptative
permet dobtenir des lobes plus fins synonymes daugmentation de la qualit de transmission
et de la capacit du rseau.
De faon globale, lannulation de certaines directions permet dliminer des missions
parasites qui pourraient perturber les communications ou diminuer le dbit de transmission
des donnes. Ceci vite d'interagir avec dautres systmes ou dendommager certains
quipements, "prservant" ainsi lenvironnement. Toutefois ces antennes prsentent
galement quelques inconvnients, notamment leur structure lourde et le plus de matriels
ncessits pour leur fabrication.
Ltape suivante peut consister modliser galement, toujours dans nos hypothses, le
rseau circulaire afin de disposer dune base de donnes complte pour implmenter une
interface graphique permettant une simulation plus aise des algorithmes par le public.
Dautre part, le temps de calcul de nos algorithmes est de l'ordre de quelques secondes,
ce qui les rend assez prcaires pour des applications d'adaptabilit en temps rel qui
ncessitent une rponse trs rapide comme cest gnralement le cas dans les rseaux mobiles
CONCLUSION GENERALE
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
80
et en tlcommunications o la limite est fixe 300ms (0,3 seconde). Une solution
doptimisation trs prise actuellement se trouve tre les rseaux de neurones. Elles
permettraient denrayer toutes ces limitations. On pourrait alors faire une synthse des
antennes adaptatives au moyen des rseaux de neurones aboutissant leur fabrication.
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
81
[1] Tom MATHES, IVICA Stevanovic, Juan R. MOSIG, Algorithms for Direction of arrival
Estimation in a Smart antenna, Semester project summer 2002-2003, EPFL-Facult STI-
LEMA, July 2003, 77p.
[2] Grard CARRER, Les antennes intelligentes dans les rseaux de radiocommunication,
relles opportunits ou luxe inutile, France tlcom R&D, 9 Mars 2006, 51p.
[3] Emmanuel TONYE,
(a) Les antennes intelligentes en tlcommunication mobile, Cours de 5 anne
Ingnieur, LETS-ENSP, Universit de Yaound I, anne scolaire 2006-2007, 106p.
(b) Tlcommunications mobiles, UV TMOB 422-01, cours de 4 anne Ingnieur, LETS-
ENSP, Universit de Yaound I, anne scolaire 2005-2006, 18 chapitres.
(c) Signaux et communications, cours de PH518, Dpartement de Physique, Facult des
Sciences, Universit de Yaound I, anne scolaire 2007-2008, 56p.
[4] Blaise Pascal BAVAHE, GSM core network overview, cours de techniques daccs sans fil,
2 anne ingnieur, ENSPT Yaound, anne scolaire 2008-2009, 30p.
[5] Rgis LECOGE, Intgration de rseaux de capteurs dans les rseaux ad hocs, INSA Lyon,
29 Mai 2004, 21p.
[6] Guillaume DE LAROCHE, Estimation bande troite des angles darrives dun signal
radio-mobile en environnement Indoor, Projet de fin dtudes, Laboratoire CITI-INSA
Lyon, Juillet 2003, 41p.
[7] Najib FADLALLAH, Contribution loptimisation de la synthse du lobe de rayonnement
pour une antenne intelligente. Application la conception de rseaux dphasage,
Thse N 18-2005, Universit de Limoges, Facult des Sciences et Techniques, Soutenue
le 24 Mai 2005, 208p.
[8] http://dslab.hanyang.ac.kr (consult le 9 Juin 2009).
[9] Constantine A. BALANIS, antenna theory, analysis and design, Second Edition John
Willey & Sons Inc, New York, 1997, pp 249-338.
[10] Bernard ESSIMBI, Communication-micro-onde et optique, cours de PH517,
Dpartement de Physique, Facult des Sciences, Universit de Yaound I, anne scolaire
2007-2008, 40p.
[11] http://laii.univ-poitiers.fr/THESES/florin_hutu.pdf (consult le 9 Juin 2009).
BIBLIOGRAPHIE ET WEBOGRAPHIE
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
82
[12] G. COLLIN, T. DITCHI, E. GERON, Optimisation dun rseau de communication DECT
laide dune antenne adaptative, Laboratoire dlectricit gnrale, ESPCI, 10 rue
Vauquelin 75005 PARIS, Laboratoire des Instruments et Systmes, Ile de France,
Universit Paris 6, 4p.
[13] Anne FERREOL, Radiogoniomtrie: Modlisation Algorithmes performances, Thse
de lEcole doctorale de LECOLE NORMALE SUPERIEURE DE CACHAN, soutenue le Mardi
13 Dcembre 2005, 164p.
[14] Guillaume VILLEMAUD, Les antennes intelligentes, Cours techniques dantennes, CITI,
INRIA-INSA Lyon, 59p.
[15] http://etd.lib.fsu.edu/theses/available/etd-
04092004143712/unrestricted/Ch_5adaptive beamforming.pdf (consult le 9 Juin
2009).
[16] Simon HAYKIN, Adaptive Filter Theory. Fourth Edition, Prentice Hall, 2002, 377p.
[17] http://www.lets.africa-web.org, (consult rgulirement).
Approches heuristiques pour la modlisation des antennes planaires adaptatives - Septembre 2009
DEA de Physique Option Electronique Facult des Sciences (UYI) - Simon KEPCHAB
83
ANNEXE : FICHIERS MATLAB