Upload
abdel-madjid
View
71
Download
0
Embed Size (px)
Citation preview
galisation en communications numriques
But de lgalisation Rduire leffet de lInterfrence Entre Symboles (IES ou ISI) due au canal
de transmission
Si le canal varie dans le temps (mobilit) adaptation
Channel
Bruit
Egaliseur
Comment faire ? Approche optimale :Estimation des donnes par le critre du maximum de
vraisemblance (MV ou MLSE Maximum Likelihood Sequence Estimator )
Exemple : galisation de VITERBISouvent trop lourde en complexit
Approche sous optimale : galisationAppliquer un filtre galiseur ` de telle sorte que la sortie donnes
mises
Diffrents types de filtres :- Linaires : par exemple des filtres transverses ( feedforward
filter )- Non linaires : deux structures ( feedforward and feedback )
avec retour de dcision (DFE ou Decision Feedback Equalizers)
- Un design : dtermin (ou preset ) ou adaptatif
1. la chane de transmission Systme bande de base
Modle quivalent
Tx filter Channel
)t(wblanc
)t(x Rx. filterDetector
ky
kTt =
{ }ka{ }ka1a 2a
3aT T
)()(fHth
t
t
)()(fHth
r
r
)()(fHth
c
c
Equivalent system
)t(wcolor
)t(yDetector
ky
kTt =
{ }ka{ }ka1a 2a
3aT T
)()(fHth
Bruit filtr
)()()()( fHfHfHfH rct=
Nyquist
Critre de Nyquist:
La bande minimale requise pour dtecter sans IES un dbit symbole R =1/T [symbols/s] est Bmin=R/2=1/2T [Hz].
De manire quivalente, un systme avec une bande fixe B=R/2=1/2T [Hz], peut supporter sans IES un dbit maximum de 2B=1/T=RMax [symbols/s].
+
=
=
n
T)Tnf(H
Hz][symbol/s/ 2BRB
2R
T21 =
Nyquist -Cas idal
T21
T21
T
)( fH
f t
)T/tsinc()t(h pi=1
0 T T2TT20
T21B =
Ideal Nyquist filter Ideal Nyquist pulse
Nyquist cas rel Nyquist pulses: Pas dIES aux instants dchantillonnage Nyquist filter: Filtre ralisable B> 1/2T
Exemple : Raised-Cosine filter
+>
+
2R)1(B Baseband sSB +=
|)(||)(| fHfH RC=
0=5.0=
1=1=5.0=
0=
)()( thth RC=
T21
T43
T1
T43
T21
T1
1
0.5
0
1
0.5
0 T T2 T3TT2T3
R)1(B Passband DSB +=
)f(H)f(H)f(H)f(H rctRC =Pas dIES linstant dchantillonnage
Problme : il faut connatre le canal (Hc(f)) Une alternative :
Ajouter un filtre galiseur en rception (He(f)) :
Mthode :
)()()()()()()(
SRRCRC
RC
fHfHfHfHfHfHfH
tr
rt
===
= Tenir compte de lIES due
aux filtres
)()()()()(RC fHfHfHfHfH erct=
)(1)( fHfH ce
=Tenir compte de lIES due
au canal)f(j
ccce)f(H)f(H =
Non-constant amplitude
Amplitude distortion
Non-linear phase
Phase distortion
Filtre galiseur Systme bande de base
Modle quivalent
Tx filter Channel
)t(wblanc
)t(xDetector
kz
kTt =
{ }ka1a
2a 3aT )(
)(fHth
t
t
Rx. filter
)()(fHth
r
r
)()(fHth
c
c
Equivalent system
)t(wcolor
Detector
k'y
kTt =)()(fHth
Bruit filtr ou color
)()()()( fHfHfHfH rct=
k
k kTta )( Equalizer
)()(fHth
e
e
1a
2a 3aT
k
k kTta )( Equalizer
)()(fHth
e
e
)t(h)t(w)t(w rbc =
{ }ka
Problme: le bruit nest pas AWGN
Filtre numrique
Bruit color Bruit blancEquivalent system
)t(wc
Detector
k'y
kTt =)()(fHth
1a
2a 3aT
k
k kTta )( Equalizer
)()(fHth
e
e
{ }ka
FiltreBlanchissant
)f(HW
Filtregaliseur
)f(He
kw~
kzEquivalent systemDetector
ky~
)z(H)z(H)z(G w=ka galiseur
)z(He ka
+ +=+=
knknkn
n0kknknk w
~gagaw~gay~
En temps discret :
=
jjk,Ejk hy~z
?
Critres de performances Diagramme de loeil
time scale
a
m
p
l
i
t
u
d
e
s
c
a
l
e
Marge au bruit
sensibilittiming error
Distortionlie lIES
timing jitter
Pas de bruit Pas dIES
Bruit Pas dIES
Pas de Bruit - IES
Bruit - IES
Critres de performances EQM : Erreur Quadratique Moyenne
e(n) reprsente lerreur destimation des donnes est le retard du filtre
Interfrences rsiduelles
Maximum de distorsion
))n(z)n(a(E))n(e(E 22 =
2max
k
2max
2k
z
zz
ISI
=
max
kmaxk
z
zz
MD
=
SOMMAIRE galiseurs linaires
Filtrage transversal galiseur Zero-forcing (ZF) galiseur Minimum Mean Square Error (MMSE)
Simulations : MATLAB galiseurs adaptatifs
LMS, RLS, autodidacte galiseurs non linaires
Decision feedback (DFE) Utilise les dcisions antrieures pour rduire lIES
galisation Linaire
kw~
kzEquivalent systemDetector
ky~
)z(H)z(H)z(G w=ka galiseur
)z(He ka
)N(he
)1N(h e + )1N(h e )N(h e
ky
kz
Calcul descoefficients
)kn(y
Filtre transverse (2N+1) coefficients
galisation Linaire Filtre transverse (2N+1) coefficients
=
===
N
Nnn,e N2,...,N2k N,...,Nn )nk(yh)k(z
)N(he
)1N(he + )1N(he )N(he
ky
kz
Calcul descoefficients
)kn(y
La relation matricielle Z=Y.He
+
+
=
=
=
)N(y0000)1N(y)N(y000
)N(y)1N(y)2N(y)1N(y)N(y
0)N(y)1N(y0000)N(y
Yet
h
h
h
eH
)N2(z
)0(z
)N2(z
Z
N,e
0,e
N,e
L
L
MMM
L
MMM
LLL
L
M
M
M
M
Pour un nombre dchantillons gal la longueur du filtre (2N+1), on observe :y(-N), y(-N+1), y(N-1), y(N)
=
===
N
Nnn,e N2,...,N2k N,...,Nn )nk(yh)k(z
+
+
+
=
)N(y)1N(y)1N3(y)N3(y)1N(y)N(y)N3(y
)N(y)1N(y)2N(y)1N(y)N(y
)1N(y)N(y)1N(y)N3(y)1N3(y)2N(y)1N(y)N(y
Y
LL
LLM
MMM
L
MMM
LLL
L
Si le nombre dchantillons est plus grand y(-3N)y(3N) on a :
EXERCICE : crire les relations pour un filtre 3 coefficients
Comment calculer les coefficients {he,n} pour minimiser les erreurs en sortie ?
Deux critres : Zero Forcing et MMSE
1) Zro Forcing ou ZF : Inversion du canal le moyen le + simple
Dans le cas sans bruit : on retrouve exactement les symboles dinfo
)z(G1)z(H E =
Critre ZF On posedo:
)t(h)t(g)t(q E=
++=
+
=
kn nnkn,Eknnk0k w
~hqaaqz
utile
IES bruit
Pour un canal donn (g(t)), si on peut choisir les {he,j} tels que:
ou
On aura limin lIES cest le ZF
0n,0qn =
=
== +
=
0n00n1
ghqj
jnj,En
Problme : le bruit nest pas pris en compte et il risque mme dtre amplifi car la densit de puissance du bruit est divise par qui peut devenir nulle certaines frquences
2)f(G
Critre ZF
On cherche les {he,j} tels que :
On se limite la rsolution de (2N+1) quations
Mise en uvre du critre ZF
EH.YZet
N,2,1kpour00kpour1)k(z
=
==
=
K
1,E
0,E
1,E
hhh
)1(y00)0(y)1(y0)1(y)0(y)1(y
0)1(y)0(y00)1(y
)2(z)1(z)0(z)1(z)2(z
00100
= = Z.YH 1E
=
Exercice ZF
galiseur 3 coefficients ? Distorsion ?galiseur 5 coefficients ? Distorsion ?Utilisation de MATLAB.
Solution pour 3 coefficients Consider a three-taps transversal filter, the given received data {y(k)} are
[0.0, 0.2, 0.9, -0.3,0.1]
=
=
=
1,e
0,e
1,e
1,e
0,e
1,e
hhh
9.03.01.02.09.03.0
02.09.0
hhh
)0(y)1(y)2(y)1(y)0(y)1(y)2(y)1(y)0(y
010
YHez
=
3448.09631.02140.0
1,
0,
1,
e
e
e
hhh
MD= 8.4%
Solution pour 5 coefficients
[0.0, 0.2, 0.9, -0.3,0.1]Les 5 coefficients de lgaliseur sont :
0.0443-0.19940.96370.34190.0069
La distorsion maximum est : MD= 4.17%
Script MATLAB%zeroforcing 3 coeffy1=[ 0.9 -0.3 0.1]'y2=[ 0.2 0.9 -0.3 ]'y3=[0 0.2 0.9 ]'
xx=[y1,y2,y3]
zer=[ 0 1 0 ]'cof=inv(xx)*zer
y=[ 0 0 0 0 0 0.2 0.9 -0.3 0.1 0 0 0 0 ];z=filter(cof,1,y)sum=0;for i=1:length(z)
sum=sum+abs(z(i));endsum=sum-max(z);MD=sum/max(z)
% calcul des perfs en BERx=[ 0.0 0.2 0.9 -0.3 0.1 ];LLc=length(x); n_coeff=length(cof);RSB=[1 2 3 4 5 7 8 9 10 12 15];R=(n_coeff+LLc)/2-1;ya=2*randint(10000,1,2)-1;y=ya';ly=length(y);yf=filter(x,1,y);for i=1:length(RSB)
yb=awgn(yf,RSB(i),0,1234);eqz=filter(cof,1,yb);dec=sign(eqz(1+R:ly));err=y(1:ly-R)-dec;BER(i)=length(find(err))/ly%BER=length(find(err))/ly
end;figure(4)semilogy(RSB,BER)
TEB en fonction du RSB3 coeffs
En bleu : sans galisationEn vert : avec galisation sur squence non bruiteOn voit quon a 10-4 pour 12dB
0 5 10 1510-4
10-3
10-2
10-1
100
Script MATLAB%zeroforcing 5 coeffy1=[ 0.9 -0.3 0.1 0 0]'y2=[ 0.2 0.9 -0.3 0.1 0]'y3=[0 0.2 0.9 -0.3 0.1 ]'y4=[0 0 0.2 0.9 -0.3]'y5=[0 0 0 0.2 0.9]'
xx=[y1,y2,y3,y4,y5]
zer=[ 0 0 1 0 0]'cof=inv(xx)*zer
y=[ 0 0 0 0 0 0.2 0.9 -0.3 0.1 0 0 0 0 ];z=filter(cof,1,y)% Calcul taux distorsion egaliseursum=0;for i=1:length(z)
sum=sum+abs(z(i));endsum=sum-max(z);MD=sum/max(z)
% calcul des perfs en BERx=[ 0.0 0.2 0.9 -0.3 0.1 ];LLc=length(x); n_coeff=length(cof);RSB=[1 2 3 4 5 7 8 9 10 12 15];R=(n_coeff+LLc)/2-1;ya=2*randint(10000,1,2)-1;y=ya';ly=length(y);yf=filter(x,1,y);for i=1:length(RSB)
yb=awgn(yf,RSB(i),0,1234);eqz=filter(cof,1,yb);dec=sign(eqz(1+R:ly));err=y(1:ly-R)-dec;BER(i)=length(find(err))/ly;
end;figure(4)semilogy(RSB,BER)
TEB en fonction du RSB5 coeffs
En bleu : sans galisationEn vert et rouge : avec galisation 3 et 5 coeffs sur squence non bruiteRsultats en TEB identiques
0 5 10 1510-5
10-4
10-3
10-2
10-1
100
TEB en fonction du RSB 5 coeffs Si on tient compte du bruit la sortie du canal pour lgalisation (cas
raliste), on met en vidence la non robustesse du critre face au bruit
0 5 10 15 20 2510-5
10-4
10-3
10-2
10-1
100
TEB vs RSB Distorsion vs RSB
0 5 10 15 20 25 300
20
40
60
80
100
120
140
160
180
Comparaison ZF avec bruit et sans bruit
0 5 10 15 20 2510-5
10-4
10-3
10-2
10-1
100
0 5 10 15 20 2510-5
10-4
10-3
10-2
10-1
100
Sans galisation
avec galisation ZF et bruit
avec galisation ZF sans bruit
2) Critre de lerreur quadratique moyenne (EQM) ou MMSE
Objectif : minimiser lerreur quadratique moyenne EQM (ou MSE) de tous les termes (IES + bruit) la sortie de lgaliseur
Critre plus robuste que le ZF en prsence de bruit
( )[ ]2kk2k zaE)(EEQM ==
Equalizer
+Error signal
ky
kz kaDonnes mises
k
[ ]2))((min kakTzE
Critre EQM ou MMSE Filtre transverse :
= = =
=
+=
=
N
Nj
N
Np
N
Npayp,Epjyp,Ej,Ek
N
Njj,Ejkk pRhRhh)a(EhyaEEQM 2
22
kz)(
*pkjkpj yyERy =Corrlation des donnes reues :
Inter corrlation entre les donnes reues et les donnes mises :
)(*
jkkp yaERay =
Critre EQM ou MMSE Minimiser lEQM revient rsoudre (2N+1)
quations telles que :
Sous forme matricielle :
N,,,ppourRayRyhN
Njppjj,E ==
=
K210
ayyTE RRH =.
[ ]kTky YYER .=[ ]kTkay YaER .= Mais : on ne connat pas les donnes mises !!!!!
Critre EQM ou MMSE Solution : une squence dapprentissage
TrainingSequence Data transmission
TrainingSequence Data transmission
1.
= yayTE RRH
[ ]kTkay YaER .=ka
Critre EQM ou MMSE Exercice
y(3)= 0.0108 ; y(2)=-0.0558 ; y(1)=0.1617 ; y(0)=1 ;y(-1)=-0.1749 ; y(-2)=0.227 ; y(-3)=0.011
Supposons que la squence dapprentissage soit un simple dirac.
Quel est l galiseur 7 coefficients qui permet de retrouver en sortie le dirac mis?
Critre EQM ou MMSE
Les coefficients obtenus sont :-0.0835-0.15380.20880.9227
-0.11920.0635
-0.0254Et la distorsion : MD=5.92%
Inv(R) =0.9227 0.0513 -0.1232 -0.0710 0.0202 0.0169 0.00110.0513 0.9256 0.0444 -0.1271 -0.0698 0.0213 0.0169
-0.1232 0.0444 0.9417 0.0535 -0.1285 -0.0698 0.0202-0.0710 -0.1271 0.0535 0.9467 0.0535 -0.1271 -0.07100.0202 -0.0698 -0.1285 0.0535 0.9417 0.0444 -0.12320.0169 0.0213 -0.0698 -0.1271 0.0444 0.9256 0.05130.0011 0.0169 0.0202 -0.0710 -0.1232 0.0513 0.9227
R=1.1116 -0.0600 0.1427 0.0683 -0.0128 0.0018 0.0001-0.0600 1.1116 -0.0600 0.1427 0.0683 -0.0128 0.00180.1427 -0.0600 1.1116 -0.0600 0.1427 0.0683 -0.01280.0683 0.1427 -0.0600 1.1116 -0.0600 0.1427 0.0683
-0.0128 0.0683 0.1427 -0.0600 1.1116 -0.0600 0.14270.0018 -0.0128 0.0683 0.1427 -0.0600 1.1116 -0.06000.0001 0.0018 -0.0128 0.0683 0.1427 -0.0600 1.1116
Ray =d=0.0108
-0.05580.16171.0000
-0.17490.22700.0110
Comparaison de la distorsion ZF-EQM vs le RSBsur le canal [0.0, 0.2, 0.9, -0.3,0.1]
0 5 10 15 20 25 300
20
40
60
80
100
120
140
160
180
Distorsion EQM Distorsion ZF
Programmation MATLABcritre ZF
Dfinition des chantillons dentre ({x}) :x=[ 0.0 0.2 0.9 -0.3 0.1 ]; % rponse du canal un diracLL=length(x); % longueur de x : LL= 2*L+1 ici LL=5 => L=2L=round((LL-1)/2) ;
Dfinition du temps ( t ) et trac :T=1 ; % T reprsente un facteur dchantillonnaget= -L*T:T:L*T;figure(1)stem(t,x) title('reponse impulsionnelle du canal')
Choix du nombre de coefficients du filtre galiseurn_coeff=5 ;N=round((n_coeff-1)/2) ; % n_coeff= 2*N+1 ici N=2
Cration de la matrice carre X des chantillonsLa dimension de la matrice des chantillons est (4N+1 2N+1) donc ici 95;Le nombre dchantillons va de x(-2N) x(2N) dans la matrice carre.cd de x(-4) x(4)On insre donc 2N (ici 4) zros dans le vecteur x si sa longueur est < (4N+1)
soit ici 9,donc ce qui est le cas :If L
xx=x'; % on transforme x en un vecteur colonne de dimension 4N+1
X=[ ]; % initialisation de la matrice X carre de dimensions (2N+12N+1)for m=-N:1:N
for n=-N:1:NX(m+N+1,n+N+1)=xx(L+m-n+1);
end;end;
Inversion de la matriceK=inv(X);
Calcul des coefficients par le critre ZF: c_optz=zeros(n_coeff,1); % cration dun vecteur colonne de longueur n_coeff
rempli de zrosz((N+1),1)=1; % on force 1 la valeur centrale du vecteurc_opt=K*zc_opt
Utilisez le script pour retrouver les rsultats obtenus prcdemment sur lexemple .
Modifiez le nombre de coefficients et examiner la valeur de la distorsion.
Canal B : influence du nombre de coefficients
7 8 9 10 11 12 13 14 15 16 170
1
2
3
4
5
6Distorsion %
Nombre coefficients
Autre exemple)4.01(
1)( 2
+
=
Tt
tx
Impact du bruit
-20 -15 -10 -5 0 5 10 15 20-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2comparaison entres sans bruit avec bruit - sortie de l galiseur
RSB=50 dB
Impact du bruit
-20 -15 -10 -5 0 5 10 15 20-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5comparaison entres sans bruit avec bruit - sortie de l galiseur
RSB=5 dB
Canal BComparaison des valeurs des coefficients avec le bruit awgn:
Sans bruit SNR=100dB SNR=50dB SNR=20dB SNR=10dB SNR=5dB
-0.0851 -0.0851 -0.0841 -0.0544 -0.0135 -0.0195 -0.1581 -0.1581 -0.1592 -0.1929 -0.2696 -0.3476 0.2086 0.2086 0.2096 0.2432 0.3286 0.4574 0.9234 0.9234 0.9227 0.9027 0.8662 0.8124 -0.1187 -0.1187 -0.1194 -0.1441 -0.2164 -0.3183 0.0638 0.0638 0.0635 0.0570 0.0629 0.1072 -0.0269 -0.0269 -0.0258 0.0059 0.0733 0.1426
Impact du bruit
Impact du bruit : distortion
0 10 20 30 40 50 60 70 80 90 1000
10
20
30
40
50
60
RSB
Distorsion %
Programmation MATLABcritre MMSE
Cration de la matrice X des chantillons ( elle nest plus carre !!)
if L
Matrice de corrlation des donnes reuesRx=X*X
Inversion de la matriceK=inv(Rx);Intercorrlation des donnes reues avec la squence
dapprentissage ( un dirac)ap=zeros((4*N+1),1) ; % vecteur de longueur 4N+1 rempli de zrosap((2*N+1),1)=1 ; % on force 1 la valeur centrale du vecteurD=X*ap;
Calcul des coefficients par le critre MMSE: c_optc_opt=K*D;
Utilisez le script pour retrouver les rsultats obtenus prcdemment.
Modifiez le nombre de coefficients et examiner la valeur de la distorsion.
Pour un nombre de coefficients de 7, comparer les performances des 2 critres (ZF et EQM) sur cet exemple en labsence de bruit. Conclusion.
Influence du nombre de coefficients et comparaison au ZF
7 8 9 10 11 12 13 14 15 16 170
1
2
3
4
5
6
ZF
EQM
Nombre de coefficients
Distorsion %
Impact du bruit Pour comparer les 2 critres : 1 seul
programme
Impact du bruit
1 2 3 4 5 6 7 8 9-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Nouveau canal : fir1(8,0.8)H=[-0.0038 0.0218 -0.0821 0.1625 0.8031 0.1625 -0.0821 0.0218 -0.0038]
Impact du bruit Gnration dun signal modul MDA-4
M=4000;a=[-3 -1 1 3];Ak=a(randint(M,1,4)+1);figure(1)plot(Ak,zeros(1,M),'o');title('constellation de la modulation MDA-4');
Impact du bruit Impact du canal sans bruit
-4 -3 -2 -1 0 1 2 3 4-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1constellation de la modulation MDA-4 en sortie du canal bruit
Impact du bruit Impact du canal avec bruit (SNR=12dB)
-5 -4 -3 -2 -1 0 1 2 3 4 5-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1constellation de la modulation MDA-4 en sortie du canal bruit
Impact du bruit Impact du canal avec bruit (SNR=5dB)
-8 -6 -4 -2 0 2 4 6 8-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1constellation de la modulation MDA-4 en sortie du canal bruit
Utilisez le script fourni (eqm_zf_ask.m) pour galiser la sortie du canal non bruit par les 2 critres EQM et ZF (galiseur avec 9 coefficients); on prendra SNR=50dB
Mme opration pour le cas bruit : SNR variant entre 1 et 50 dB
Impact du bruit
Solution Pour un SNR=50dB :Coefficients EQM :0.0652 -0.1480 0.2814 -0.4215 1.4793 -0.4228 0.2832 -0.1524 0.0705nombre de symboles faux = 0taux d erreur par symboles SER = 0Distortion mmse= 13.6353 %EQM mmse= 0.01285
Coefficients ZF :0.0816 -0.1640 0.2958 -0.4346 1.4921 -0.4365 0.2986 -0.1698 0.0883nombre de symboles faux = 0taux d erreur par symboles SER = 0Distortion zf = 10.3075 %EQM zf = 0.014828
SNR=50dB
-4 -3 -2 -1 0 1 2 3 4-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1constellation de la modulation MDA-4 en sortie galiseur EQM
-4 -3 -2 -1 0 1 2 3 4-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1constellation de la modulation MDA-4 en sortie galiseur ZF
Impact du bruit
0 5 10 15 20 25 30 35 40 45 50-40
-30
-20
-10
0
10
20
30
40
50
ZF
EQM
SNR (dB)
EQM (dB)
Distorsion
SNR(dB)0 5 10 15 20 25 30 35 40 45 500
50
100
150
200
250
300
ZF
EQM
Distorsion %
Comparaison ZF - MMSE Dans les 2 cas , plus le nombre de coefficients est
grand, plus la distorsion est faible. Sans bruit, les deux critres donnent peu prs les
mmes rsultats. En prsence de bruit, le MMSE est plus robuste. Le paramtre distorsion est insuffisant pour valuer seul
la qualit dgalisation en prsence de bruit souvent on prfre calculer lEQM.
SIMULINK
galisation Adaptative On peut tenir compte des variations du canal en actualisant
les coefficients de lgaliseur ( par un algorithme adaptatif )
Lapproche adaptative est lie un signal derreur :e(k) = z(k)-x(k)
Lobjectif est de minimiser:2
kJ E e=
EqualizerChannel
+
Error signal
galisation AdaptativeLapproche adaptative comporte deux phases : 1re phase : Initialisation ou mode supervis ou
Training mode Une squence dapprentissage est ncessaire.Elle permet
dajuster les coefficients de lgaliseur.
EqualizerChannel
+
galisation Adaptative 2me phase : phase de poursuite ou Decision Directed
Mode Les dcisions sont utilises pour gnrer le signal derreur.
Lactualisation en mode DD est efficace si les variations du canal sont lentes
EqualizerChannel
+
galisation Adaptative Un des algorithmes les + simples : le gradient
stochastique ou Least Mean Square (LMS) partir des coefficients linstant (k-1) on calcule les
coefficients linstant k
Avantage : calcul itratif simple qui ne ncessite plus de calculer des matrices dauto et inter corrlations.
kkEE Ye)1k(h)k(h +=Signal reuSignal derreur
Constante ou pas dadaptation
Mise en uvre du LMS MATLAB : exemple de la transmission dun signal ASK-4
sur le canal fir1(8,0.8) galisation 9 coefficients Pour 50dB :
0.0625-0.13770.2624
-0.39801.4569
-0.39600.2592
-0.13360.0572
0 1000 2000 3000 4000 5000 6000 7000 8000-0.5
0
0.5
1
1.5
C
o
e
f
f
i
c
i
e
n
t
s
It rati on
Canal du chapitre 2 : H = 0.0110 0.2270 -0.1749 1.0000 0.1617 -0.0558 0.0108
- Calculez les 7 coefficients de lgaliseur par application de lalgorithme LMS
- Quel est le nombre ditrations pour assurer la convergence?
Mise en uvre du LMS
Mise en uvre du LMSH = 0.0110 0.2270 -0.1749 1.0000 0.1617 -0.0558 0.0108SNR=100 dB
-0.0800-0.15280.20460.9185-0.12050.0632-0.0273
Mise en uvre du LMSH = 0.0110 0.2270 -0.1749 1.0000 0.1617 -0.0558 0.0108SNR=10 dB
-0.0767-0.15050.20930.9191
-0.12910.0486
-0.0240
0 200 400 600 800 1000 1200-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
C
o
e
f
f
i
c
i
e
n
t
s
Itration
Mise en uvre du LMSH = 0.0110 0.2270 -0.1749 1.0000 0.1617 -0.0558 0.0108SNR=10dB7 coefficients 21 coefficients
LMS - Simulink
erreur
coeff
Scatter Plotmission
Scatter Plotgalis
Scatter Plot+bruit +canal
Scatter Plot+bruit
Random -IntegerGenerator
RandomInteger
M-PSKModulatorBaseband
M-PSK
M-PSKDemodulatorBaseband 1
QPSK
LMS Filter
LMS
Input
DesiredDesiredDesiredDesired
Output
Error
Wts
Integer Delay 1
z-8
Error RateCalculation
Error Rate Calculation
Tx
Rx
Display 1
0
0
7993
Display
0.06599 + 0.001947 i
-0.1492 - 0.0009534 i
0.2835 + 0.004401 i
-0.4217 - 0.001342 i
1.478 - 0.0002475 i
-0.421 + 0.001593 i
0.2829 - 0.003933 i
-0.1488 + 0.001293 i
0.06545 - 0.001703 i
Digital Filter
DigitalFilter
Complex toReal -Imag 2
ReIm
Complex toReal -Imag 1
ReIm
AWGNChannel
AWGN
galisation Adaptative Le LMS devient inappropri lorsque les variations du
canal sont rapides
Un autre algorithme qui est plus performant mais qui est complexe : Recursive Least Square (RLS) : Optimisation de la vitesse de convergence en fonction des coefficients.
RLS - Simulink
erreur
coeff
Scatter Plotmission
Scatter Plotgalis
Scatter Plot+bruit +canal
Scatter Plot+bruit
Random -IntegerGenerator
RandomInteger
RLS Filter
Input
Desired
Output
Error
Wts
RLSM-PSK
ModulatorBaseband
M-PSK
M-PSKDemodulatorBaseband 1
QPSK
Integer Delay 1
z-8
Error RateCalculation
Error Rate Calculation
Tx
Rx
Display 1
0
0
2493
Display
0.06003 - 0.01277 i
-0.1503 + 0.01938 i
0.2811 - 0.01806 i
-0.4185 + 0.01052 i
1.475 - 0.002859 i
-0.4196 + 0.0003463 i
0.2819 + 0.009577 i
-0.1506 - 0.01111i
0.06654 + 0.009081 i
Digital Filter
DigitalFilter
Complex toReal -Imag 2
ReIm
Complex toReal -Imag 1
ReIm
AWGNChannel
AWGN
galisation Adaptative Pour initialiser la convergence, une squence
dapprentissage est ncessaire pnalisation Exemple : une trame dapprentissage est rgulirement
mise pour actualiser la convergence lorsque le canal varie trs rapidement rduction du dbit utile
Une solution : galisation autodidacte Sans squence dapprentissage; ex du CMA pour les
modulations enveloppe constante
galisation retour de dcisionou DFE Decision Feedback Equalizer
Egaliseurs non linaires utiliss lorsque le canal prsente des distorsions damplitude svres
Le DFE utilise des dsicions antrieures (feedback) pour annuler les interfrences dues aux symboles dj dtects.
Lide de base est que si les valeurs des symboles dj dcids sont connues ( ou supposes correctes) alors il est possible dannuler exactement lIES due ces symboles
Exemple du concept de lannulationSimulink Proakis
Scatter Plotmission
Scatter PlotgalisScatter Plot
+bruit
Random -IntegerGenerator
RandomInteger
M-PSKModulatorBaseband
M-PSK
M-PSKDemodulatorBaseband 1
QPSK
Error RateCalculation
Error Rate Calculation
Tx
Rx
Display 1
0
0
6999
Digital Filter 2
DigitalFilter
Digital Filter 1
DigitalFilter
Digital Filter
DigitalFilter
AWGNChannel
AWGN
Le retard pour le calcul du TEB est 2 (1canal +1 filtre adapt)
Pour un SNR de 50dB le TEB=0.18 Pour un SNR de 15dB TEB=0.238
Exemple du concept de lannulationSimulink Proakis SNR=50 et 15dB
Exemple du concept de lannulationSimulink Proakis SNR= 15dB
erreur
coeff
Scatter Plotmission
Scatter Plotgalis
Scatter Plot+bruit +canal
Scatter Plot+bruit
Random -IntegerGenerator
RandomInteger
M-PSKModulatorBaseband
M-PSK
M-PSKDemodulatorBaseband 1
QPSK
LMS Filter
LMS
Input
DesiredDesiredDesiredDesired
Output
Error
Wts
Integer Delay 1
z-2
Error RateCalculation
Error Rate Calculation
Tx
Rx
Display 1
0.06676
534
7999
Display
-0.465 + 0.007991 i
1.396 + 0.007524 i
-0.4524 - 0.01769 i
Digital Filter
DigitalFilter
Complex toReal -Imag 2
ReIm
Complex toReal -Imag 1
ReIm
AWGNChannel
AWGN
Les coefficients sont : -0.465 1.396 -0.452
TEB = 0.066
Exemple du concept de lannulationSimulink Proakis SNR= 15dB
Scatter Plotmission
Scatter PlotgalisScatter Plot
+bruit
Random -IntegerGenerator
RandomInteger
M-PSKModulatorBaseband
M-PSK
M-PSKDemodulatorBaseband 1
QPSK
Error RateCalculation
Error Rate Calculation
Tx
Rx
Display 1
0
0
6999
Digital Filter 2
DigitalFilter
Digital Filter 1
DigitalFilter
Digital Filter
DigitalFilter
AWGNChannel
AWGN
galisation retour de dcision Structure dun DFE
The forward and feedback coefficients may be adjusted simultaneously to minimize the MSE
Feed forward filter (FFF)
Feed back filter (FBF)
Adjustment of filter coefficients
Input Output
++
Symbol decision
galisation retour de dcision
InputFeed forward
C(z)
Feedback
F(z)
Adjustment of filter coefficients
Output
++
Symbol decision
galisation retour de dcision
InputFeed forward
C(z)
Feedback
F(z)
Adjustment of filter coefficients
Output
++
Symbol decision
galisation retour de dcision Utilisez le script fourni pour calculer les
coefficients par le LMS..