FDMA

Etudes de nouvelles techniques d’estimation et
d’égalisation de canal adaptées au systéme SC-FDMA

Yvon Sosthène Yameogo
To cite this version:

Yvon Sosthène Yameogo. Etudes de nouvelles techniques d’estimation et d’égalisation de canal adap-
tées au systéme SC-FDMA. Traitement du signal et de l’image. Université Rennes 1, 2011. Français.
<tel-00657895v1>
HAL Id: tel-00657895

https://tel.archives-ouvertes.fr/tel-00657895v1
Submitted on 9 Jan 2012 (v1), last revised 15 Mar 2012 (v2)
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N𝑜 d’ordre 4276 ANNÉE 2011
THÈSE / UNIVERSITÉ DE RENNES 1

sous le sceau de l’Université Européenne de Bretagne
pour le grade de
DOCTEUR DE L’UNIVERSITÉ DE RENNES 1
Mention : Traitement du signal et Télécommunications
Ecole doctorale MATISSE
présentée par
Yvon Sosthène YAMEOGO

préparée à l’unité de recherche SUPELEC/IETR UMR 6164
Institut d’Electronique et Télécommunications de Rennes
Structure et Propriété de la Matière (S.P.M)
Thèse soutenue à (lieu)

le (date)
Etudes de nouvelles
devant le jury composé de :
techniques Mr Jean-Jacques Fuchs
Professeur à l’Université de Rennes1/ président
d’estimation et Geneviéve Baudoin

Professeur à ESIEE / rapporteur
d’égalisation Christophe Laot

Professeur à l’ENST Bretagne / rapporteur
Alban Goupil
de canal adaptées Maître de Conférence à l’Université de Reims /
examinateur
au systéme SC-FDMA Laurent Cariou

Ingénieur Orange Labs / examinateur
Jacques Palicot
Professeur à Supelec / directeur de thèse
Remerciements
Remerciement à rajouter sur la version Finale du document.

2 Remerciements
Table des matières
Introduction 7
1 Single Carrier FDMA 11

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 La modulation SC-FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Systèmes mono-porteuses et systèmes multi-porteuses . . . . . . 15
2.3 Principe de fonctionnement du système SC-FDMA . . . . . . . . 17
2.4 Allocation des ressources radio dans le système SC-FDMA . . . . 20
3 Expressions analytiques du signal SC-FDMA . . . . . . . . . . . . . . . 23
3.1 Mode distribué : I-FDMA . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Mode localisé : L-FDMA . . . . . . . . . . . . . . . . . . . . . . . 25
4 Etude du PAPR du signal SC-FDMA . . . . . . . . . . . . . . . . . . . . 28
4.1 Généralité sur les amplificateurs de puissance . . . . . . . . . . . 28
4.2 Evaluation du PAPR du signal SC-FDMA . . . . . . . . . . . . . 32
4.3 Etude comparative du PAPR des signaux SC-FDMA et OFDM . 33
5 SC-FDMA et autres techniques de modulation . . . . . . . . . . . . . . . 34
5.1 SC-FDMA et OFDMA . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2 SC-FDMA et DS-CDMA . . . . . . . . . . . . . . . . . . . . . . 38
6 SC-FDMA dans la norme 3GPP LTE . . . . . . . . . . . . . . . . . . . . 39
6.1 Du GSM au LTE : L’historique . . . . . . . . . . . . . . . . . . . 39
6.2 Spécifications du LTE . . . . . . . . . . . . . . . . . . . . . . . . 40
6.3 Spécifications du SC-FDMA dans le LTE . . . . . . . . . . . . . 41
7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2 Etat de l’art sur l’égalisation des canaux de communication 47

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2 Modèles de canaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.1 Canaux SISO, SIMO et MIMO . . . . . . . . . . . . . . . . . . . 50
2.2 Quelques Exemples de canaux . . . . . . . . . . . . . . . . . . . . 52
3 Principe de l’égalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1 Les différentes étapes . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2 Classification des Egaliseurs . . . . . . . . . . . . . . . . . . . . . 57
4 Table des matières
4 Critères classiques d’Egalisation : Fonction de coût . . . . . . . . . . . . 59

4.1 Critère du Maximum à Postériori MAP . . . . . . . . . . . . . . 59
4.2 Critère du Maximum de Vraissemblance MV . . . . . . . . . . . 60
4.3 Critère de la distorsion crête et critère du Zero-Forcing ZF . . . . 62
4.4 Critère du Minimum d’Erreur Quadratique Moyenne MEQM . . 65
4.5 Critère du Module Constant CM . . . . . . . . . . . . . . . . . . 68
5 Algorithmes classiques d’adaptation . . . . . . . . . . . . . . . . . . . . 69
5.1 Algorithmes du gradient . . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Algorithme de Newton . . . . . . . . . . . . . . . . . . . . . . . . 71
6 Architectures classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.1 Rappels sur quelques propriétés des filtres numériques . . . . . . 72
6.2 Egaliseurs lineaires . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.3 Egaliseurs non lineaires à base de filtre . . . . . . . . . . . . . . . 77
6.4 Autres Egaliseurs non lineaires . . . . . . . . . . . . . . . . . . . 82
6.5 Egalisation du signal SC-FDMA . . . . . . . . . . . . . . . . . . 84
7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3 Techniques d’égalisation de canal pour les systèmes SC-FDMA 87

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
2 Techniques d’Egalisation Classiques adaptées aux Systèmes SC-FDMA . 88
2.1 Critère du Zero-Forcing (ZF) . . . . . . . . . . . . . . . . . . . . 88
2.2 Critère du Minimum d’Erreur Quadratique Moyenne (MEQM) . 89
2.3 Mesure des performances dans un contexte SC-FDMA . . . . . . 89
3 Adaptation au récepteur SC-FDMA d’un Egaliseur Block-DFE par ex-
ploitation de la redondance des symboles sources . . . . . . . . . . . . . 91
3.1 Technique Basée Sur L’ERD (DFE) Et L’ERD-P (W-DFE) . . . 91
3.2 ERD Et ERDP Dans Un Context I-FDMA . . . . . . . . . . . . 93
3.3 EBA-DFE Dans Un Context SC-FDMA . . . . . . . . . . . . . . 94
4 Adaptation au récepteur SC-FDMA d’une technique d’Egalisation aveugle
basée sur des références fantômes . . . . . . . . . . . . . . . . . . . . . . 102
4.1 Présentation de la Technique . . . . . . . . . . . . . . . . . . . . 102
4.2 Définition du critère d’Egalisation sur les Porteuses Fantômes
pour un système OFDM . . . . . . . . . . . . . . . . . . . . . . . 105
4.3 Adaptation et Analyse du critère d’Egalisation sur Porteuses Fan-
tômes dans un contexte SC-FDMA . . . . . . . . . . . . . . . . . 110
4.4 Retour sur le cas OFDM . . . . . . . . . . . . . . . . . . . . . . . 120
5 Nouvelles Techniques d’Egalisation Temporelles adaptées au Système
SC-FDMA et obtenues par découplage entre Filtre Egaliseur et Critère
d’Egalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.1 Problématique liée à l’application des techniques d’Egalisation
Temporelles dans un contexte SC-FDMA . . . . . . . . . . . . . 123
5.2 Découplage entre Filtre Egaliseur et critère d’Egalisation . . . . . 126
5.3 Application de quelque critères classiques temporels . . . . . . . 128
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
Table des matières 5
4 Techniques d’estimation de canal pour les systèmes SC-FDMA 137

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
2 Technique classique d’Estimation Fréquentielle de canal : Technique du
Zéro-Forcing (ZF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
2.1 Présentation de la technique ZF . . . . . . . . . . . . . . . . . . . 138
2.2 Application de la technique ZF dans un contexte SC-FDMA . . . 141
2.3 Performances et limites de la méthode . . . . . . . . . . . . . . . 142
3 Nouvelle méthode d’estimation de canal basée sur les techniques d’ajout
de signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
3.1 Positionnement par rapport aux techniques existantes . . . . . . 145
3.2 Présentation de la technique dans un contexte de signal monopor-
teuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
3.3 Application de la techniques dans un contexte SC-FDMA . . . . 148
3.4 Choix du signal ajouté . . . . . . . . . . . . . . . . . . . . . . . . 149
3.5 Etudes des performances obtenues dans un contexte SC-FDMA . 151
4 Estimation de canal par Filtrage dans un domaine Transformé : Cas de
forte mobilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
4.1 Contexte d’application de la technique . . . . . . . . . . . . . . . 156
4.2 Principe de la technique de filtrage de l’ICI . . . . . . . . . . . . 156
4.3 Présentation de la technique dans un contexte SC-FDMA . . . . 158
4.4 Choix de la répartition des pilotes dans le spectre du signal . . . 159
4.5 Filtrage dans le domaine Transformé . . . . . . . . . . . . . . . . 160
4.6 Modification de la structure de filtrage pour le cas du SC-FDMA 163
4.7 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . 168
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
Conclusion 175
Mes Publications 181
A Technique d’Egalisation aveugle basée sur des porteuses fantômes 183

A.1 Expression théorique du critère Jzero (Wzero ) : cas OFDM . . . . . . . . . 183
A.2 Algorithme d’adaptation du filtre Wzero : cas OFDM . . . . . . . . . . . 184
A.3 Expression théorique des critères Jutile (W ), Jutile (Wutile ), Jutile (Wzero ) :
cas OFDM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
A.4 Analyse des expressions dans le cadre des systèmes SC-FDMA . . . . . . 187
Bibliographie 198
Table des figures 198

6 Table des matières
Introduction générale
Rappel historique
L’histoire de l’humanité est jalonnée de nombreuses inventions qui ont révolutionné
son destin. Toutes ces inventions font tellement partie de notre quotidien qu’on en est
venu à croire qu’elles ont toujours existé. On pense par exemple à la roue apparue vers
3500 avant J.C, au télescope qui fut introduit au 17eme siècle, et plus récemment à
la presse à imprimer, l’électricité, l’automobile, l’ordinateur etc... De toutes ces inven-
tions, le téléphone a particulièrement changé le comportement de l’Homme depuis son
apparition. Tout est partie du télégraphe. En effet, avec le développement de l’élec-
tricité, le premier télégraphe électrique fit son apparition en 1832 par Samuel Morse
qui s’est appuyé sur les travaux de ses prédécesseurs comme André-Marie Ampère, et
François Arago pour inventer un système simple et robuste. Quelques année plus tard
en 1841, alors que le télégraphe était jusque là un instrument gouvernemental, il fut mis
à disposition du grand publique avec au passage la création de réseaux de stations de
communication.
L’apparition de ce nouveau mode de communication, a suscité beaucoup d’intérêts

pour les moyens de communication au milieu du 19 ème siècle. Ainsi en 1849, alors que le
télégraphe était devenu populaire, Antonio Meucci, un italien naturalisé américain mis
au point le premier dispositif pouvant transmettre de la voix sur une ligne électrique.
Cependant il ne fut pas reconnu à l’époque comme étant à l’origine du téléphone ; c’est
à Graham Bell qui travaillait dans le même laboratoire que lui, que revient cette pater-
nité après une longue bataille juridique. Mais en 2002, le Congrès américain a fini par
reconnaitre le travail de Meucci. L’ouverture de la première ligne téléphonique dans le
monde qui avait permis de relier les villes de Boston et de Providence est intervenue vers
1880. Un peu plus tard, une exploitation commerciale du téléphone au près du grand
public le rendit très vite populaire. Depuis lors, on assiste à une véritable explosion des
systèmes et services de communications à travers des organismes chargés de les faire
évoluer.
De nos jours, le premier rôle du téléphone, qui était de transmettre de la voix sur
une longue distance, ne suffit plus au grand public. On est passé du téléphone proto-
type de Graham Bell aux téléphones fixes reliés par un réseau de fils électrique ; puis
aux téléphones dits mobiles à transmission hertzienne avec de plus en plus de services
8 Introduction générale
disponible à haut débits et de non moindre qualité. Il faut dire en effet, que toutes les
décennies sont marquées par de nouvelles générations plus performantes de systèmes de
communication.
La première génération de systèmes de communication a été proposée dans les an-

nées 1980. Le FDMA (Frequency Division Multiple Access) était la technique d’accès
multiple utilisée pour créer des canaux physiques. Au début des années 1990, la trans-
mission numérique a fait son entrée avec le système d’accès très connu, le TDMA (Time
Division Multiple Access). Ce système dit de seconde génération est utilisé dans la
norme GSM (GLobal System for Mobile communication) encore très répandue de nos
jours surtout dans les pays en voies de développement. Le CDMA (Code Division Mul-
tiple Access) relève aussi de cette génération mais est utilisé majoritairement par les
Etats-Unis. Les signaux GSM et CDMA occupent respectivement 1.25kHz et 1.25 MHz
de largeur de bandes, ce qui limite considérablement leur débit. Des évolutions de ses
systèmes dits de deuxième génération ont vu le jour en Europe : le GPRS (General
Packet Radio Services) améliorait déjà le débit.
contexte de l’étude
Les systèmes de télécommunication ont connu une évolution spectaculaire lors de
la dernière décennie, ayant permis d’offrir un large services de haute qualité aux usa-
gers. C’est au courant de l’année 2002 que nous sommes définitivement entrés dans une
nouvelle ère technologique : l’ère du haut débit. On assistait à la naissance des systèmes
dits de troisième génération (3G) avec des signaux large bande pouvant aller jusqu’à 5
MHz. L’UMTS (Universal Mobile Telecommunication System) et le W-CDMA (Wide-
band CDMA) sont les normes de communication de cette génération. Les débits étant
importants, les services comme internet et télévision faisaient leur entrée dans le monde
de la téléphonie mobile. Cette évolution spectaculaire a donné un second rôle au télé-
phone qui devient un outils multimédia grâce à internet.
Compte tenue des facteurs socio-économiques la demande du public en terme de

communication est plus que jamais contrayant : transmettre et/ou accéder à un grand
volume d’information, le plus vite possible avec la plus grande souplesse possible, le
tout avec une mobilité sans limite et sur des supports miniaturisés. Dans ce contexte,
les organismes de normalisation n’arrêtent pas de proposer des évolutions aux systèmes
existant. En 2007, deux autres technologies sont entrées en compétition dans le cadre
d’une évolution de la 3G. Il s’agit d’une part du Wimax, standardisé par IEEE (Ins-
titute of Electrical and Electronic Engineers) et dévéloppé pour des accès sans fil à
Internet à haut débit (jusqu’à 70 Mégabits sur un rayon de 50Km). L’autre technologie
émergente dénommée le Long Term Evolution (LTE) est quant à elle standardisée par le
3GPP(Third Generation Partnership Project) qui était également à l’origine du GSM,
pour les futurs réseaux de téléphonie mobiles qui permettrait d’avoir 100 Mbits sur la
Techniques d’égalisation des systemes SCDMA 9
voix descendante et 50 Mbits sur la voix montante.
Ces deux technologies utilisent la technique de l’OFDMA (Orthogonal FDMA) pour

le partage des ressources dans les transmissions de la station de base aux terminaux.
Cette même technique est utilisée dans le cas du Wimax pour les communications à voix
montante. Par contre, le standard LTE propose une autre technique d’accès pour cette
voix appelée le SC-FDMA qui est l’objet principal de cette thèse. Son principal intérêt
est son faible Peack to Average Power Ratio (PAPR), comparativement à l’OFDMA.
Cette propriété est très importante car elle permet d’optimiser les consommations éner-
gétiques du mobile.
Objectif de la thèse
Le travail mené dans cette thèse est relatif aux techniques d’estimation et d’égalisa-
tion de canaux de transmission adaptées pour les systèmes SC-FDMA. Nous rappelons
que le SC-FDMA a été adopté comme technique d’accès multiples pour la voix mon-
tante dans la norme 3GPP LTE de 2008. Dans les spécifications de cette norme, il est
réservé dans chaque sous-trame envoyé dans le canal un symbole sur sept pour l’en-
voi de signaux pilotes dans le but d’estimer le canal de transmission. L’insertion dans
le domaine temporel des symboles pilotes est due à la rareté des ressources spectrales
disponible, obligeant ainsi à adopter des solutions qui optimisent l’utilisation des ces
ressources. Cependant, le ratio de un symbole sur sept employé dans les spécification
LTE pour la transmission des pilotes, entraine une réduction importante du débit utile
(débit des données informatives) du signal transmis qui est très handicapant pour la
simple raison que l’objectif final recherché par ces nouvelles spécifications est entre autre
l’amélioration des débits de transmission. Par conséquent, il devient intéressant d’ins-
pecter d’autres moyens plus efficaces permettant de mieux préserver les débits. C’est
dans ce contexte que nous avons mené cette étude, en collaboration avec Orange Labs
R&D.
Plan de la thèse
Nos travaux sont organisés en quatre grandes étapes qui constituent les 4 Chapitres de
ce document. Notre démarche a constitué dans un premier temps à l’étude du nouveau
signal SC-FDMA dans ces différentes déclinaisons. Enfin de proposer des techniques
d’estimations et d’égalisations de canal adaptées au sujet de notre étude, le SC-FDMA,
le premier chapitre donne une description approfondie sur le signal étudié permettant
de poser les bases au sujet de notre étude. Dans ce chapitre, nous revenons sur l’origine
du signal, ses différentes déclinaisons à savoir l’I-FDMA et le L-FDMA, mais aussi sur
son intérêt par rapport aux systèmes existants comme l’OFDMA, nous y mentionnerons
également, les spécifications de la norme 3GPP LTE relatives à ce signal.
Le chapitre 2 revient sur l’état de l’art des techniques d’égalisation existantes de

canaux de transmission. Nous y décrirons en détail les différents modèles de canaux de
10 Introduction générale
communications, le principe de l’égalisation à travers les différentes étapes, les critères,

algorithmes et architectures classiques d’égalisations rencontrés dans la littérature, sur
lesquelles nous nous baserons pour apporter notre contribution par rapport au sujet de
notre étude.
Les chapitres 3 et 4 constituent le fond de notre travail. Ils traitent respectivement

des différentes solutions en égalisation et estimation de canal que nous proposons pour
les systèmes SC-FDMA. Dans le chapitre 3 il a s’agit d’appliquer dans un premier temps
des égaliseurs comme la technique du Zéro-Forçing, la technique MEQM qui sont souvent
utilisés du fait leur simplicité. Mais dans ce chapitre nous avons également proposé des
solutions dans le domaine fréquentiel comme l’égalisation à base de références fantômes
sur lesquelles nous nous appuyons pour égaliser le signal SC-FDMA. On y propose
aussi des solutions basées sur des techniques d’égalisation à retour de décision (ERD),
mais aussi sur une technique basée sur le découplage entre filtre égaliseur et critère
d’égalisation permettant d’appliquer des filtres temporels en amont du récepteur sans
subir les effets de non-linéarité due à la suppression l’intervalle de garde au niveau
récepteur du SC-FDMA.
Le chapitre 4 regroupe nos propositions sur les techniques d’estimations de canal
adaptées au signal SC-FDMA. Une de nos contributions majeures dans ce chapitre
est basée sur l’ajout de signaux particuliers dans le spectre du signal utile. C’est une
technique qui permet d’estimer porteuse par porteuse le canal de transmission en se
basant uniquement sur les propriétés des signaux ajoutés au niveau émetteur. Une
autre solution a consisté à l’amélioration de la qualité de l’estimateur de canal lorsque
l’utilisateur est dans un cas de forte mobilité. C’est une technique qui permet de filtrer
efficacement les interférences entre canaux (ICI) dans un domaine particulier que nous
décrirons en détail dans ce chapitre.
Chapitre 1
Single Carrier FDMA
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 La modulation SC-FDMA . . . . . . . . . . . . . . . . . . . . 12
2.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Systèmes mono-porteuses et systèmes multi-porteuses . . . . 15
2.3 Principe de fonctionnement du système SC-FDMA . . . . . . 17
2.4 Allocation des ressources radio dans le système SC-FDMA . . 20
3 Expressions analytiques du signal SC-FDMA . . . . . . . . . 23
3.1 Mode distribué : I-FDMA . . . . . . . . . . . . . . . . . . . . 23
3.2 Mode localisé : L-FDMA . . . . . . . . . . . . . . . . . . . . 25
4 Etude du PAPR du signal SC-FDMA . . . . . . . . . . . . . 28
4.1 Généralité sur les amplificateurs de puissance . . . . . . . . . 28
4.2 Evaluation du PAPR du signal SC-FDMA . . . . . . . . . . . 32
4.3 Etude comparative du PAPR des signaux SC-FDMA et OFDM 33
5 SC-FDMA et autres techniques de modulation . . . . . . . 34
5.1 SC-FDMA et OFDMA . . . . . . . . . . . . . . . . . . . . . . 34
5.2 SC-FDMA et DS-CDMA . . . . . . . . . . . . . . . . . . . . 38
6 SC-FDMA dans la norme 3GPP LTE . . . . . . . . . . . . . 39
6.1 Du GSM au LTE : L’historique . . . . . . . . . . . . . . . . . 39
6.2 Spécifications du LTE . . . . . . . . . . . . . . . . . . . . . . 40
6.3 Spécifications du SC-FDMA dans le LTE . . . . . . . . . . . 41
7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1 Introduction
Le SC-FDMA ou « Single Carrier Frequency Division Multiple Access »est une nou-
velle technique d’accès multiple permettant le partage des ressources radio dans un
système de communication radio mobile. En 2008, il a été adopté pour les communica-
tions en voix montante de la norme 3GPP LTE dit de "4eme Génération".
12 Le Système SC-FDMA
Dans ce premier chapitre, nous exposons en détail le principe de fonctionnement de

ce système. Une étude des caractéristiques du PAPR du signal généré par ce système sera
ensuite menée dans le but de se comparer aux techniques existantes. Nous terminerons en
donnant les spécifications du système dans le cadre de la norme 3GPP LTE. Mais avant,
un bref rappel historique sur l’évolution des systèmes d’accès multiple en téléphonie
mobile vous est présenté à la section suivante.
2 La modulation SC-FDMA
2.1 Historique
Le partage des ressources radio, appelé communément allocation de ressources ou
multiplexage des utilisateurs, a toujours été l’un des points essentiels lors des processus
de normalisation de tout nouveau système radio mobile. Plusieurs techniques ont ainsi
été développées au cours des années. La technique la plus ancienne est celle de la réparti-
tion en fréquence, FDMA ou « Frequency Division Multiple Acces »[1]. Elle est apparue
pour la première fois dans les années 80 avec le premier système radio mobile analogique
l’AMPS « Advanced Mobile Phone System », développé par Bell Labs et utilisé pour
la première fois aux Etats unis. Cette technique d’allocation de ressources consiste à
diviser la bande passante du support de communication en bandes de fréquences dis-
tinctes chacune étant dédiées à un seul utilisateur pour ses besoins de communication.
La Figure 1.1 donne un aperçu sur ce procédé de multiplexage. Au niveau récepteur des
filtres très sélectifs sont mis en œuvre pour isoler chaque canal physique dédié afin de
récupérer l’information transmise par chaque utilisateur.
FREQUENCES
Canal N°4
Canal N°3
Canal N°2
Canal N°1
TEMPS
Figure 1.1 – FDMA : Partage des ressources radio en fréquence.

2 La modulation SC-FDMA 13
Ce mode de répartition n’est plus beaucoup utilisé de nos jours. Il a été remplacé
durant ces 20 dernières années par une technique de répartition temporelle, « Time Di-
vision Multiple Acces »ou TDMA [1], mis en œuvre dans plusieurs systèmes numériques.
Cette technique de répartition consiste à subdiviser la ressource temps en plusieurs in-
tervalles, chacun étant dédié à un seul utilisateur, Figure 1.2. Le débit transmis par un
utilisateur étant proportionnel à la largeur de bande qui lui est alloué dans le temps,
la technique TDMA offre plus de débit à un utilisateur régulièrement connecté au sys-
tème, comparé à la modulation FDMA. Mais les ressources radio étant rares, les deux
techniques de répartition TDMA et FDMA sont souvent également combinées dans cer-
tains systèmes dont le standard GSM ou « Global Mobile Communication ». En effet,
la bande totale du système de communication est partagée en plusieurs sous bandes
chacune autour d’une porteuse. Chaque sous bande est ensuite partagée en plusieurs
intervalles de temps chacun étant alloué à un utilisateur. La Figure 1.3 illustre bien ce
procédé.
Intervalle de Temps
Intervalle de Temps
Intervalle de Temps
Intervalle de Temps
FREQUENCES
N°1
N°1
N°3
N°4
TEMPS
Figure 1.2 – TDMA : Partage des ressources radio en temps.
Depuis la révolution du GSM, la numérisation des flux de communication s’est beau-

coup généralisée, entrainant ainsi l’apparition de nouveau modèles sophistiqués d’allo-
cation de ressources radio. Ainsi avec l’avènement de la transmission en mode paquet,
un nouveau type de multiplexage exploitant réellement la nature numérique des flux, est
désormais privilégiée pour les nouveaux système de communication. Il s’agit du « Code
Division Multiple Acces »ou CDMA utilisé pour la première fois dans le standard IS 95
ou « Interim Standard 95 ». Le principe de ce système consiste à multiplier le flux nu-
mérique émis par chaque utilisateur par une séquence d’étalement spécifique beaucoup
Canal N°4 Canal N°4

FREQUENCES
Temps N°1 Temps N°2

TEMPS
Figure 1.3 – FDMA-TDMA : Partage des ressources radio en temps et en féquence.
plus rapide. Cette technique permet à chaque utilisateur d’exploiter toute la largeur de
bande du système pendant toute la durée de la communication, Fig. 1.4. La récupéra-
tion des signaux de chaque utilisateur à la réception, n’est possible que si les séquences
d’étalement sont toutes orthogonales. La détermination de la nature de ces séquences a
fait l’objet de plusieurs contributions dont la plus célèbre est la séquence de Walsh [2] [3]
[4]. Ce procédé de multiplexage a connu plusieurs évolutions à travers le Wide-CDMA
ou W-CDMA [5] et le CDMA-2000 [6] utilisés de nos jours dans les réseaux mobiles dits
de 3ème génération comme l’UMTS [7].
Mais depuis 2007, le monde de la téléphonie mobile est entrain de mettre en place
ce qui sera les réseaux mobile de "4ème génération". D’autres techniques d’accès ont
alors été considérées depuis lors : Il s’agit par exemple de L’OFDMA qui est la version
d’accès multiple de la technique de modulation OFDM ou « Orthogonal Frequency
Division Multiplexing ». Cette technique de modulation avait déjà été proposée dans les
années 50 par la société Collins Radio Co.Kineplex system [8], et a fait ses preuves avec
la technologie Wifi de la norme IEEE 802.11a et également dans le standard Wimax.
Le retour en grâce de cette modulation OFDM se justifie d’abord par la possibilité de
réaliser numériquement les modulateurs FFT mais aussi par le débit élevé et l’immunité
aux interférences entre symboles dues aux multitrajets du canal qu’offre l’OFDM. Une
autre technique, le SC-FDMA ou Single Carrier FDMA, a été proposée pour la voix
montante de la nouvelle norme 3GPP LTE en cours de test en France. Comme nous
le verrons plus tard, ce choix se justifie largement par la faible fluctuation de ce signal
autour de sa valeur moyenne qui est très bénéfique pour la consommation de l’énergie.
TEMPS
FREQUENCES
TEMPS
TEMPS
TEMPS
Figure 1.4 – CDMA : Partage des ressources radio par étalement spectrale.
C’est donc un système très optimisé pour les téléphones mobiles qui sont tributaires de
leur batterie.
2.2 Systèmes mono-porteuses et systèmes multi-porteuses

2.2.1 Systèmes mono-porteuse
Les systèmes de transmission mono-porteuse sont des systèmes qui transmettent les
donnés de façon séquentielle sur une seule bande de fréquence ou canal physique, autour
d’une seule porteuse, Figure 1.5. Cette technique est certes très simple à mettre en œuvre
mais présentent des inconvénients majeurs lorsque nous sommes en présence de canaux
multi-trajets très sélectifs. En effet les multiples trajets du canal introduisent une inter-
férence entre symboles (IES) qui affecte la qualité de transmission. Ce phénomène est
d’autant plus accentué que le temps symbole du système est faible. Pour combattre cette
dégradation, des techniques d’estimations et d’égalisations existent dans la littérature
(voir Chapitre 2) mais on peut déjà limiter ces dégradations en adoptant des mesures
de prévention à l’émission comme des formes d’ondes particulières limittant l’IES et
qui seront utilisées comme support physique de transmission du signal. D’autres part,
chaque symbole de ce système, occupant toute la bande passante de communication,
va subir la sélectivité fréquentielle du canal. Ce phénomène sera d’autant plus probable
que la bande passante du système est importante c’est à dire lorsque le temps sym-
bole est faible. Au regard de ces deux phénomènes on comprend mieux pourquoi cette
technique de transmission n’est pas adaptée aux nouveaux systèmes de communication
qui requièrent une largeur de bande passante plus importante pour véhiculer plus de
débit. Ainsi, d’autres systèmes de transmissions plus adaptés, doivent être pensés pour
supporter les exigences actuelles en termes de débit.
Fréquences
fp
Amplitudes
Temps
Figure 1.5 – La modulation mono-porteuse
2.2.2 Systèmes multi-porteuses

Les systèmes multi-porteuses [9] comme l’OFDM (« Orthogonal Frequency Division
Multiplexing »), ont été proposés comme alternatives aux évanouissements très sélectifs
du canal de transmission qui empêche de transmettre de grand débit. Cette technique
de transmission a pour principe de répartir le train de symboles à transmettre sur un
grand nombre de porteuses orthogonales Figure 1.6 chacune ayant une bande passante
beaucoup plus faible. Le temps symbole sur chacune des porteuses se trouve ainsi aug-
menté permettant donc de réduire l’IES entre symboles d’une même porteuse. Le débit
sur chacune des porteuses est alors une fraction du débit total du système. Par ailleurs,
ce système est plus robuste à la sélectivité fréquentielle du canal puisqu’un symbole
n’occupe qu’une faible bande passante. Les systèmes multi-porteuses permettent donc
de supporter des communication à haut débits tout en garantissant une bonne qualité
de transmission.
2.2.3 Single Carrier FDE : SC/FDE

A coté des systèmes multi-porteuses, un nouveau système mono-porteuse plus adapté
aux canaux sélectifs a aussi fait ses preuves. Il s’agit du SC/FDE ou (« Single Carrier
with Frequency Domain Equalization »). Ce nouveau système associe la technique mono-
porteuse avec une technique d’égalisation fréquentielle mise en place au niveau récepteur
afin de combattre la sélectivité du canal. La principale différence de ce système avec la
transmission mono-porteuse est le traitement par bloc qu’il met en œuvre. En effet les
symboles ne sont plus directement envoyés de façon séquentielle dans le canal comme
dans la transmission mono-porteuse, mais sont groupés d’abord en paquet avant toute
transmission. Chaque paquet se voit ensuite augmenté d’un intervalle de garde ou CP
« Cyclic Prefix »placé en entête, qui correspond à la copie de la fin du paquet. Le rôle
Fréquences
fp1
fp2
fp3
Amplitudes
Temps
Figure 1.6 – La modulation muti-porteuses
de l’intervalle de garde est double : Il permet d’une part d’absorber l’interférence entre
paquets, mais également de périodiser le signal transmis pour transformer la convolu-
tion linéaire du canal en une convolution circulaire. Par ailleurs, nous savons qu’une
convolution circulaire dans le domaine temporel est équivalente à une simple multipli-
cation dans le domaine fréquentiel. La représentation fréquentielle du paquet SC/FDE
récupéré à la réception correspond donc à la multiplication élément par élément entre
les représentations fréquentielles du canal et du paquet émis. Une égalisation fréquen-
tielle FDE est ainsi plus appropriée. Son avantage étant d’une part sa simplicité de mise
en œuvre, mais également sa robustesse par rapport à la sélectivité du canal. Ceci ce
vérifie, lorsque le coefficient du canal est nul sur une porteuse donnée. En effet, seul le
symbole affecté par ce coefficient sera perdu, le reste du paquet pourra être démodulé,
ce qui n’était pas le cas de la transmission mono-porteuse (confère 2.2.1).
2.3 Principe de fonctionnement du système SC-FDMA

Le SC-FDMA « Single Carrier Frequency Division Multiple Accès », est une tech-
nique d’accès multiple qui combine la technique de transmission mono-porteuse SC/FDE
et une allocation de ressource radio par répartition de fréquences (FDMA). Il a été ré-
cemment proposé dans le cadre de la future norme de réseaux cellulaire 3GPP LTE
(« Long Term Evolution ») pour les communications à voix montante c’est à dire des
téléphones portables EU (« User Equipement ») aux BTS (« Base Station »). Ce système
d’accès multiple est très largement exposé par les américains Hyung G.Myung et David
J. Goodman dans leur livre [10] (voir aussi [11]). Il est par construction très proche du
système OFDMA et possède par conséquent des performances similaires à ce dernier.
Son principal avantage est son faible PAPR « Peak Power Ratio »(voir section 4) très
bénéfique à la réduction de la consommation énergétique des mobiles qui a d’ailleurs
value son adoption pour la voix montante de la norme 3GPP LTE de 2008 à la place
de l’OFDMA.
2.3.1 Principe de la modulation SC-FDMA
La modulation SC-FDMA est une technique de transmission mono-porteuse mais

très proche de la modulation OFDM. Cette technique consiste à répartir sur un grand
nombre de porteuses, non pas directement les symboles source comme en OFDM, mais
leur représentation fréquentielle après les avoir réparties sur la bande du système selon
un certain mode que nous présenterons. La Figure 1.7 montre la chaîne de transmission
d’un tel système. Elle est constituée de trois parties principales.{ On} a d’abord un mo-
dulateur DFT « Discret Fourier Transform »dont l’entrée DQ k = dk
q 0⩽q⩽Q−1 constitue
le bloc de symboles source de la modulation MAQ de l’utilisateur k prenant ses valeurs
dans un alphabet fini. Ce modulateur transforme le bloc DQ k en Q symboles fréquentiels
{ }
UQk = uqk 0⩽q⩽Q−1 qui viennent ensuite moduler un ensemble de Q sous-porteuses
choisies parmi N tel que (N ⩾ Q). Cette répartition des symboles fréquentiels a pour
objectif l’étalement spectral du signal et le multiplexage fréquentiel des signaux des
différents utilisateurs. Nous décrirons plus en détails par la suite les différents modes de
multiplexages de ce système. La sortie du multiplexeur est enfin ramenée dans le do-
maine temporel
{ } par un modulateur IDFT (« Inverse DFT ») pour donner les symboles
de sortie snk 0⩽n⩽N −1 . On peut remarquer que cette dernière partie de la chaine n’est
rien d’autre que le modulateur classique OFDM. Dès lors, on peut considérer le système
SC-FDMA comme un système OFDM avec un pré-codage DFT et une allocation de res-
sources particulière. L’étalement spectral du signal a pour but d’augmenter la largeur
de bande du système afin de réaliser un multiplexage en fréquentiel. Si le facteur d’éta-
lement spectral est L, alors le nombre total de sous-canaux du système serait N = L.Q,
Q étant la portion de sous-canaux allouée à chaque utilisateur. Ainsi, le système peut
supporter au maximum L signaux (ou L utilisateurs) orthogonaux chacun occupant Q
sous-porteuses distinctes.
S Nk
DQk
~ k
U Qk
S-à-P
N-point Filtre
Q-point Mapping des UN
P-à-S
IDFT CP
DFT sous-canaux +
CNA
(OFDM)
Figure 1.7 – Emetteur SC-FDMA

Les deux autres parties de la chaine de transmissions sont toutes aussi importantes.
Il s’agit d’une part de l’insertion de l’intervalle de garde (CP). Elle consiste à insérer
à l’entête de chaque bloc à émettre, la copie de la fin du bloc. Le but est d’abord de
réduire l’interférence entre les blocs émis introduite par les multi-trajets du canal, mais
également de rendre circulaire la convolution du canal afin d’utiliser des techniques
d’égalisation fréquentielle simples à mettre en œuvre.
sin(𝜋t/T ) cos(𝜋𝛼t/T )
p(t) = ⋅ (1.1)
𝜋t/T 1 − 4𝛼2 t 2 /T 2
⎧ 1−𝛼
⎨ T ,{ si 0 ⩽ ∣f ∣ ⩽ 2T } 1−𝛼 1+𝛼
T
p(f ) = 2 1 + cos[ 𝛼 (∣f ∣ − 1−𝛼
𝜋T
2T )] , si ⩽ ∣f ∣ ⩽ (1.2)
⎩ 2T 2T
0, si 0 ⩾ 1+𝛼2T
p(t) P(f)
1 1
Roll−off=0
0.9
Roll−off=0.5
0.8
Roll−off=1
0.8
0.6 0.7
Roll-off = 0
0.6 Roll-off = 0.5
0.4
Roll-off = 1
0.5
0.2
0.4
0 0.3
0.2
−0.2
0.1
−0.4 0
−50 0 50 0 100 200 300 400 500 600 700 800 900
Time Fréquences
(a) Temps (b) Fréquence
Figure 1.8 – Filtre de mise en forme en Cosinus sur-élevé

De plus, pour prévenir l’interférence entre symboles introduit par le canal, on prend
le soin d’appliquer des filtres linéaires de mise en forme particulier afin de réduire l’éner-
gie du signal en dehors de la bande passante autorisée. Les filtres en cosinus sur-élevé
sont les plus utilisés dont les équations temporelle et fréquentielle sont données en (1.1),
(1.2) ou 𝛼 représente le facteur de Roll-off du filtre. La Figure 1.8 représente la ré-
ponse impulsionnelle Figure 1.8(a) et la réponse fréquentielle Figure 1.8(b) du filtre
pour quelques valeurs du facteur de Roll-off.
La bande passante du canal de transmission ainsi que le débit de transmission canal
sont donnés par :
Wcanal = N .Δf [Hz ] (1.3)
N
Rcanal = .Rsource [syboles/seconde] (1.4)
Q
Où, Δf = T1s est l’espacement entre sous-canaux, avec Ts la durée d’un symbole et
Rsource le débit source de chaque utilisateur.
Soit {fn }0⩽n⩽N −1 l’ensemble des fréquences porteuses orthogonales modulable du

système, et fc la fréquence centrale (fréquence RF) du signal transmis dans le canal. On
a la relation suivante :
fn = fc + n.Δf , avec 0 ⩽ n ⩽ N − 1 (1.5)

Le multiplexage que nous avons évoqué permet de répartir le débit total du signal sur
Q sous-porteuses comme en OFDM. Si ΩkQ représente l’ensemble des Q sous-porteuses
{ }
modulées par l’utilisateur k , unk n∈Ωk la représentation fréquentielle du bloc de don-
Q
nées à transmettre et p(t) le filtre de mise en forme utilisé, le signal s k (t) de l’utilisateur
k à la sortie du système sera donné par l’expression (1.6).
∑
s k (t) = unk p(t − nTs )e 2j 𝜋fn t (1.6)
n∈ΩkQ
2.3.2 Principe de la démodulation SC-FDMA

Le signal d’un utilisateur k parvenu au récepteur sur une durée symbole Ts s’écrit
comme suit :
∑ ∫
[ k ]
y k (t) = unk hn (t − 𝜏 )p(𝜏 − nTs )e 2j 𝜋fn 𝜏 d 𝜏 (1.7)
Ts
n∈ΩkQ
Où hnk (t) représente la fonction de transfert du canal de l’utilisateur k autour de

la porteuse fn à l’instant t. Le principe de la démodulation du système SC-FDMA
consiste à démoduler le signal sur chacune des sous-porteuse fn du système. En effet,
le signal reçu y k (t) est d’abord ramené en bande de base, avant d’être échantillonné
pour le traitement numérique du signal. Après suppression de l’intervalle de garde, un
démodulateur DFT permet d’obtenir les symboles modulant chaque porteuse fn . Un
égaliseur est ensuite mis en œuvre, comme dans la technique SC/FDE, dans le but de
supprimer la contribution du canal sur chaque sous-porteuse du signal, et de récupérer
ainsi les symboles fréquentiels {uq }0⩽q⩽Q−1 . Un démodulateur IDFT permet ensuite
de récupérer les symboles sources {dq }0⩽q⩽Q−1 du système. La Figure 1.9 illusttre ce
principe de démodulation.
2.4 Allocation des ressources radio dans le système SC-FDMA

Dans la modulation SC-FDMA, le multiplexage des utilisateurs du système est effec-
tué dans le domaine fréquentiel. Pour supporter un grand nombre d’utilisateurs simul-
tanés, le système utilise la technique de l’étalement spectral permettant d’augmenter la
ressource spectrale à partager. Ainsi chaque utilisateur se voit allouée une portion de la
largeur de bande totale du système, de manière à éviter toute interférence avec un autre
Démapping N-point
Q-point
S-à-P
Détection
P-à-S
des DFT suppression Filtre
IDFT
sous-canaux CP +
CAN
Figure 1.9 – Récepteur SC-FDMA
utilisateur. Deux modes d’allocations de ressources existent pour cette modulation : Il

s’agit du mode distribué et du mode localisé.
2.4.1 Allocation de ressource en mode distribué

Dans le mode distribué les Q symboles fréquentiels UQk = {u0k , ⋅ ⋅ ⋅ , uQ−1
k }, corres-
pondant à la sortie du modulateur DFT de l’émetteur, viennent moduler un multiplex
de Q sous-porteuses régulièrement réparties sur toute la largeur de la bande passante
du système, Figure 1.10. Les N − Q sous-porteuses non modulées sont affectées à des
signaux nuls. La modulation SC-FDMA qui utilise ce mode d’allocation est appelée I-
FDMA ou (« Interleaved-FDMA »), [12][13]. L’I-FDMA comporte plusieurs avantages.
Il permet d’une part de garantir l’orthogonalité entre les différents utilisateurs du sys-
tème, mais possède également une grande diversité fréquentielle du fait de la répartition
des porteuses modulées sur toute la bande passante. Cette technique est aussi très in-
téressante du point de vu implémentation. En effet comme nous allons le voir dans la
section 3, ce signal peut être généré dans le domaine temporel sans utilisation des mo-
dulateurs DFT et IDFT grâce à une simple compression et répétition du signal source
à transmettre avec un déphasage propre à chaque utilisateur. Par contre le système
I-FDMA est très sensible aux offsets de fréquence qui sont souvent introduit par une
mauvaise synchronisation ou une forte mobilité causant ainsi une perte de l’orthogona-
lité entre les utilisateurs.
2.4.2 Allocation de ressource en mode localisé

L’autre mode d’allocation de ressources utilisé dans la modulation SC-FDMA est
beaucoup plus robuste et a été adopté pour la voix montante de la norme LTE. Il s’agit
du mode localisé qui donne son nom au système L-FDMA ou (« Localized FDMA ») (voir
[11]). Cette fois-ci les Q symboles fréquentiels UQk = {u0k , ⋅ ⋅ ⋅ , uQ−1
k }, correspondant à
la sortie du modulateur DFT, viennent moduler un multiplexe de Q sous-porteuses
0 0 0
0 0
0
Q-points 0 0 0
N-points Q-points Q-points 0
DFT 0 DFT 0 N-points N-points
IDFT DFT
0 0 IDFT 0 IDFT
0 0
0
0 0 0
0 0
0
Mapping
Mapping Mapping
I-FDMA
I-FDMA I-FDMA
(a) Terminal N ∘ 1 (b) Terminal N ∘ 2 (c) Terminal N ∘ 3
Figure 1.10 – Mapping I-FDMA
contigües ; les N − Q autres sous-porteuses non modulées étant affectées à des signaux
nuls, Fig. 1.11. Les sous porteuses n’étant plus réparties sur toute la bande du système,
on perd en diversité fréquentielle. Par contre le système est plus robuste à l’offset de fré-
quence en garantissant dans ce cas l’orthogonalité des signaux des différents utilisateurs.
0 0
0 0
0 0
0 0
Q-points 0 Q-points Q-points 0
DFT 0 N-points DFT N-points N-points
0 DFT 0
IDFT IDFT 0 IDFT
0
0 0 0
0 0
0 0
0 0
Mapping Mapping Mapping

L-FDMA L-FDMA L-FDMA
(a) Terminal N ∘ 1 (b) Terminal N ∘ 2 (c) Terminal N ∘ 3
Figure 1.11 – Mapping L-FDMA
Pour l’une ou l’autre des deux techniques d’allocation, le choix du multiplex de

fréquences allouées à chaque utilisateur peut se faire de deux manières : Soit de façon
statique c’est à dire sur toute la durée de la communication, soit par un algorithme
d’ordonnancement de canaux CDS ou « Channel Dependent Scheduling ») [14] [15] qui
octroie à chaque utilisateur, le multiplex de sous-porteuses en fonction de la qualité de
son canal de transmission. Un utilisateur peut donc se voir octroyer différents multiplex
de sous-porteuses durant la même communication ou même être supprimé du système
lorsque son canal de transmission est très médiocre. De plus, le CDS permet d’accroître
considérablement la diversité multi-utilisateurs ainsi que le débit total du système dans
le cas du mapping L-FDMA comparé à celui de l’I-FDMA [14]. Cela se justifie par le
fait que le mapping I-FDMA, pour laquelle les sous-porteuses sont réparties sur toute la
totalité de la bande disponible, aura un débit meilleur que dans la sous-bande déterminée
par le CDS.
3 Expressions analytiques du signal SC-FDMA 23
Au niveau récepteur, lorsque le système fonctionne dans sa capacité maximale en

terme de nombre d’utilisateurs, le spectre du signal est donné par la Figure 1.12. On
peut constater l’orthogonalité entre les différentes sous-porteuses allouées à chaque uti-
lisateur, et également l’orthogonalité entre les utilisateurs dans le domaine fréquentiel.
En présence d’offset de fréquences, il est clair que le mode localisé est plus robuste que
le mode distribué.
Terminale 1
Terminale 2
Terminale 3
Mode Distribué: I-FDMA Mode Localisé: L-FDMA
Figure 1.12 – Spectre du signal SC-FDMA au niveau Récepteur
3 Expressions analytiques du signal SC-FDMA

Dans cette partie du chapitre, nous donnons une description mathématique du signal
SC-FDMA dans ses deux déclinaisons à savoir l’I-FDMA et le L-FDMA exposées dans
la section précédente. Une interprétation des expressions obtenues nous permettra par
la suite de trouver de nouvelles formes de générations du signal SC-FDMA surtout pour
la technique I-FDMA. Nous rappelons que le facteur d’étalement spectral du système
est noté L et correspond au nombre maximal d’utilisateurs pouvant communiquer simul-
tanément dans le système. Dans toute cette partie, nous adopterons les notations sui-
vantes : DQ k = {d k , ⋅ ⋅ ⋅ , d k
0 Q−1 } représentera le bloc de symboles de la modulation MAQ
de l’utilisateur k avec k ∈ [0, ⋅ ⋅ ⋅ , L − 1]. On notera par UQk = {u0k , ⋅ ⋅ ⋅ , uQ−1
k } la repré-
k
sentation fréquentielle du bloc DQ obtenue après la modulation DFT. L’étalement spec-
tral fourni un signal à l’entrée du modulateur IDFT donné par ŨNk = {ũ0k , ⋅ ⋅ ⋅ , ũN k
−1 }.
k k k
On notera par SN = {s0 , ⋅ ⋅ ⋅ , sN −1 } le bloc SC-FDMA émis sans considération du filtre
de mise en forme ni de l’intervalle de garde.
3.1 Mode distribué : I-FDMA

3.1.1 Ecriture mathématique du signal I-FDMA
L’analyse algébrique montre que le signal s k (t) de l’utilisateur k à la sortie du
modulateur SC-FDMA est donné par l’équation (1.6). La discrétisation de ce signal
ramené en bande de base donne la suite de symboles sNk obtenue par la transformée
de Fourier Inverse (IDFT)(voir Figure 1.7) du bloc ŨNk . Le bloc ŨQk étant obtenu par
étalement spectral du bloc UQk de l’utilisateur k , la relation entre les symboles ũnk et unk
est donnée par l’équation (1.8).
{k
u(n−k )/L , si n = L.q + k , (0 ⩽ q ⩽ Q − 1)
ũnk = (1.8)
0, sinon
{ k}
La relation entres les symboles sm du vecteur SNk de la sortie du mo-
{ k } 0⩽m⩽N −1
dulateur I-FDMA et les symboles ũn 0⩽m⩽N −1 obtenus après étalement spectral est
donnée par la relation ci-dessous :
N −1
k 1 ∑ k j 2𝜋 m n
sm = ũn e N , m ∈ [0, ⋅ ⋅ ⋅ , N − 1] . (1.9)
N
n=0
Etant donné que le nombre de sous-porteuses total N obtenu avec l’étalement spec-
tral est plus élevé que le nombre de sous-porteuse Q réellement allouées à chaque utili-
sateur, on peut indexer chaque sous-porteuse par m ∈ [0, ⋅ ⋅ ⋅ , N − 1] en fonction de Q
et L comme indiqué en (1.10) avec L = N Q.
m = Q.l + p, avec p ∈ [0, ⋅ ⋅ ⋅ , Q − 1] et l ∈ [0, ⋅ ⋅ ⋅ , L − 1] (1.10)
D’après l’équation (1.8), les termes ũnk sont nuls sauf pour n = L.q + k où on a
0 ⩽ q ⩽ Q − 1. Ainsi puisque N = Q.L, la somme de l’équation (1.9) peut se simplifier
en (1.11) en ne considérant que les termes en n = L.q + k :
⎛ ⎞
Q−1
∑
k k 1⎝1 j 2𝜋 qp km
sm = sQ.l+p = uqk .e Q ⎠ .e j 2𝜋 N (1.11)
L Q
q=0
Dans cette équation nous reconnaissons une Transformée Inverse de Fourier des
symboles uqk dont le résultat n’est rien d’autre que les symboles sources de la constel-
lation dpk . Nous constatons également l’apparition d’une expression de phase donnée
km
par le vecteur e j 2𝜋 N qui est spécifique à chaque utilisateur k . Le signal à la sortie du
modulateur I-FDMA peut donc s’écrire comme suit :
k k 1 km
sm = sQ.l+p = ⋅ dpk .e j 2𝜋 N (1.12)
L
Où l ∈ [0, ⋅ ⋅ ⋅ , L − 1] et p ∈ [0, ⋅ ⋅ ⋅ , Q − 1]. Une écriture plus condensée de cette
expression est donnée en (1.13). On en déduit donc l’expression mathématique du signal
I-FDMA comme suit :
k 1
sm = ⋅ dk .Φk , avec m ∈ [0, ⋅ ⋅ ⋅ , N − 1] (1.13)
L m mod Q m
{ km
}
Où Φk = e j 2𝜋 N , m ∈ [0, , N − 1] , est le vecteur de rotation de phase appliqué au
signal de l’utilisateur k .
L’expression mathématique du signal I-FDMA qui vient d’être établie nous amène à
définir une nouvelle méthode de génération du signal SC-FDMA sans utilisation des mo-
dulateurs DFT et IDFT comme le montre la chaine de transmission. En effet, l’équation
1.13 permet d’écrire les symboles du vecteur SNk de la façon suivante :
⎧ ⎫
 
1 ⎨[ k ] [ k ]⎬ k
SNk k k
= {s0 , ⋅ ⋅ ⋅ , sN −1 } = ⋅ k k
d0 , ⋅ ⋅ ⋅ , dQ−1 , ⋅ ⋅ ⋅ , d0 , ⋅ ⋅ ⋅ , dQ−1 ⋅Φ (1.14)
L ⎩| {z }
⎭
L fois
3.1.2 Nouvelle méthode de génération du signal I-FDMA

L’étalement spectral introduit par la modulation SC-FDMA que nous avons vu à
la section 2.4 a permis d’élargir la bande passante du signal de chaque utilisateur d’un
facteur L par rapport à celle du signal source, dans le but de pouvoir multiplexer tous
les signaux des utilisateurs en fréquentiel. De plus, un étalement spectral d’ordre L,
se traduit dans le domaine temporel par une opération de compression des symboles
sources par le même facteur L. Le temps symbole se réduit d’un facteur L permettant
d’envoyer, sur une même durée, un nombre de symboles L fois plus important.
Au regards de l’équation (1.14), et à la lumière de cette remarque, il en

{ ressort
} une
nouvelle méthode de génération de l’I-FDMA. A partir d’un signal source dqk 0⩽q⩽Q−1
d’un utilisateur k , le signal I-FDMA peut être généré par simple compression d’un
facteur L suivie d’une répétition par le même facteur L après laquelle on applique une
rotation de phase Φk unique pour chaque utilisateur afin d’orthogonaliser les signaux,
Figure 1.13.
3.2 Mode localisé : L-FDMA

Dans cette partie nous donnons une description mathématique du signal L-FDMA.
3.2.1 Ecriture mathématique du signal L-FDMA

Dans le cas présent la relation entre les suites de symboles ũ k et u k de la chaine de
transmission Figure 1.7, est donnée par :
{
uqk , si n = Q.k + q , (0 ⩽ q ⩽ Q − 1)
ũnk = (1.15)
0, sinon
En prenant la Transformée de Fourier Inverse de ces symboles, on obtient les sym-
k de la sortie du modulateur I-FDMA, donnés par :
boles sm
{dqk }0≤q≤Q−1
Signal Source
t
Rotation de T
I-FDMA
phase
Compression
(L)
Signal source Compression Filtre
+ + t
Répétition CNA
T/L
Répétition
Modulation I-FDMA (L)
t
Figure 1.13 – Nouvelle méthode de génération du signal I-FDMA.
N −1
k 1 ∑ ∼k j 2𝜋 m n
sm = un e N , m ∈ [0, ⋅ ⋅ ⋅ , N − 1] . (1.16)
N
n=0
D’après l’équation (1.15), les termes ũnk sont nuls sauf pour n = Q.k + q où on a
0 ⩽ q ⩽ Q −1. Ainsi, puisque N = Q.L, la somme de l’équation (1.16) peut se simplifier
en (1.17) en ne considérant que les termes en n = L.q + k :
⎛ ⎞
Q−1
∑
k 1⎝1 mq
j 2𝜋 Q.L mk
sm = uqk .e ⎠ .e j 2𝜋 L (1.17)
L Q
q=0
De plus, m ∈ [0, ⋅ ⋅ ⋅ , N − 1] implique qu’il existe p ∈ [0, ⋅ ⋅ ⋅ , L − 1] et l ∈ [0, ⋅ ⋅ ⋅ , Q − 1]

tel que m = L.l + p. Suivant la valeur du parametre p, deux cas de figure se présentent :
Lorsque p = 0, l’équation (1.17) devient :
k k
sm = sL.l
⎛ ⎞
Q−1
∑
1⎝1 (L.l)q
j 2𝜋 Q.L ⎠
= uqk .e
L Q
q=0
⎛ ⎞
Q−1
1 ⎝ 1 ∑ k j 2𝜋 Q lq
⎠
= uq .e (1.18)
L Q
q=0
Dans cette dernière équation nous reconnaissons une Transformée Inverse de Fourier
des symboles uqk dont le résultat n’est rien d’autre que les symboles sources dlk , voir la
chaine de transmission, Figure 1.7. Le signal à la sortie du modulateur L-FDMA pour
le cas présent, peut donc s’écrire comme suit :
k1
sL.l⋅ d k , avec l ∈ [0, ⋅ ⋅ ⋅ , Q − 1]
= (1.19)
L l
Lorsque p =
∕ 0, l’équation 1.17 se développe comme suit :
⎛ ⎞
Q−1
∑
k k 1 1 (L.l+p)q
j 2𝜋 Q.L ⎠ j 2𝜋 (L.l+p)k
sm = sL.l+p = ⎝ uqk .e .e L (1.20)
L Q
q=0
les termes uqk étant la transformée de fourier des symboles sources, sont donnés par :
Q−1
1 ∑ k j 2𝜋 rq
uqk = dr .e Q (1.21)
Q
r =0
(L.l+p)k lk
Posons : Φkl = e j 2𝜋 L = e j 2𝜋 L . L’équation (1.17) devient :
⎡ ( ) ⎤
Q−1 Q−1
k 1 ⎣ 1 ∑ ∑ k −j 2𝜋 rq (L.l+p)q
.Φkl
−j 2𝜋 QL ⎦
sm = dr .e Q .e
L Q
q=0 r =0
⎡ ⎛ ⎞⎤
Q−1 Q−1
1 ⎣ 1 ∑ k ⎝ ∑ −j 2𝜋 l−r p
{ }
+ q
= dr e Q N ⎠⎦ .Φkl
L Q
r =0 q=0
[ Q−1 ( p
)]
1 1 ∑ k 1 − e j 2𝜋 L
= dr .Φkl (1.22)
L Q p
{ }
j 2𝜋 l−r +
r =0 1−e Q N
Ainsi donc pour p ∕= 0 on a :

[ ( )]
1( p
) 1 Q−1
∑ drk
k j 2𝜋 L
sm = 1−e .Φkl (1.23)
L Q p
{ }
l−r
j 2𝜋 +N
r =0 1−e Q
En résumé, l’expression mathématique du signal temporel LFDMA est donné çi-

dessous.
pour : m = L.l + p, avec p ∈ [0, ⋅ ⋅ ⋅ , L − 1] et l ∈ [0, ⋅ ⋅ ⋅ , Q − 1]

⎧

⎨ ⋅ dlk , si p =[ 0
1
(1.24)
k = xk (
L
) Q−1
( )]
xm = p
j 2𝜋 L 1 ∑ drk
L.l+p 1
⎩ L 1−e
 Q p .Φkl , sinon
r =0 1−e
j 2𝜋 { l−r
Q
+ }
N
4 Etude du PAPR du signal SC-FDMA

Le SC-FDMA est une technique d’accès multiple qui s’est imposée dans la nouvelle
norme 3GPP LTE à cause principalement de son faible PAPR comparé aux techniques
existantes. La notion de PAPR [16] [17] [18] est très importante dans les systèmes de
communications. Il est directement lié à la consommation énergétique des amplificateurs
de puissance dans les émetteurs radio mobile et est également un indicateur du risque
de distorsion du signal par l’amplification.
Dans cette partie du chapitre nous introduisons la notion du PAPR après quelques
généralités sur les amplificateurs de puissance. Le cas spécifique du PAPR du signal
SC-FDMA sera examiné et comparé par la suite à celui de l’OFDM.
4.1 Généralité sur les amplificateurs de puissance

4.1.1 Définition
Dans les systèmes de transmission radio mobile, après les différents étages de la
chaîne de transmission à savoir codage, modulation, et transposition en fréquence por-
teuse, le signal est amplifié avant d’être envoyé dans le canal de transmission. Le but
de cette manipulation est de s’affranchir des atténuations du signal dues à la propaga-
tion en l’espace libre. Cette opération est assurée par un amplificateur de puissance qui
est par définition un dispositif électronique permettant d’augmenter de manière considé-
rable tout signal présenté à son entrée. La puissance du signal de sortie de l’émetteur est
proportionnelle à la distance qui sépare l’émetteur et le récepteur du système de commu-
nication. L’amplificateur de puissance étant un composant actif, il est alimenté par une
source de courant continue indispensable pour son fonctionnement. On distingue Deux
grandes classes d’amplificateurs de puissance pour les systèmes de télécommunications :
– L’amplificateur à tubes à onde progressives (TOP, TWTA ou « Traveling Wave
Tube Amplifier ») utilisé surtout dans les transmissions satellitaires, pour générer
de fortes puissances [19].
– L’amplificateur à semi-conducteur (SSPA, ou « Solid State Power Amplifier »),
utilisé dans les transmissions terrestres comme dans le cas de la communication
radio mobile, les téléphones portables et la boucle radio [20].
4.1.2 La caractéristique de transfert AM/AM

Dans un amplificateur de puissance la relation entrée-sortie est caractérisée par deux
fonctions de transferts l’une relative à la phase et l’autre à l’amplitude du signal de
sortie de l’amplificateur. La caractéristique AM/PM donne la relation entre Amplitude
d’entré et phase du signal de sortie de l’amplificateur. Par contre, la caractéristique
AM/AM que nous analysons en détail ici, donne de la relation entre la puissance du
signal d’entrée et celle du signal de sortie. Cette caractéristique AM/AM a un aspect
particulier pour les amplificateurs de type SSPA représenté sur la Figure 1.14.
La caractéristique AM/AM [21] [22] d’un amplificateur de puissance comporte trois
zones particulières :
4 Etude du PAPR du signal SC-FDMA 29
i La zone linéaire (Zone I) : C’est la zone la plus exploitée. Dans cette zone l’amplifi-
cateur a un comportement linéaire. Le signal de sortie est proportionnel au signal
d’entrée avec un gain supérieur à 1. C’est exactement le rôle que l’on souhaite
obtenir de l’amplificateur. Aucune distorsion apparaît dans cette zone. Noter que
les puissances d’entrée sont faibles dans cette zone.
ii La zone de compression (Zone II) : Dans cette zone, la puissance de sortie de
l’amplificateur n’est plus proportionnelle à celle du signal d’entrée. Des signaux de
nature différente au signal d’entrée apparaissent en sortie : ce sont des distorsions
qui peuvent être des distorsions d’amplitudes, d’harmoniques, de phase, ou encore
d’intermodulations. On a plus ainsi une réplique exacte du signal d’entrée. On
remarque que la caractéristique de l’amplificateur dans cette zone est de plus
en plus curviligne. Le gain donc diminue par rapport à celui de la zone linéaire
où il était constant. Cette zone contient un point particulier appelé point de
compression de l’ampli qui est atteint lorsque l’écart entre la courbe de gain de
cette zone et le prolongement du gain linéaire de la zone linéaire est de 1 dB,
Fig. 1.14.
iii La zone de saturation (Zone III) : C’est une zone où la puissance de sortie du
signal reste quasi constante lorsque l’on augmente la puissance de l’entrée. On
dit que l’amplificateur est saturé. Dans cette zone des distorsions apparaissent
également. Noter que les puissances d’entrée dans y sont très élevées. Le bilan
énergétique est donc médiocre.
Point Point
de de
Compression Saturation
Ps
Ps, sat
1dB
Ps,1dB
Zone I Zone II Zone III
Pe,1dB Pe, sat Pe
Figure 1.14 – Exemple de Caractéristique AM/AM d’un amplificateur de puissance
Selon la zone d’amplification, le signal obtenu à la sortie de l’amplificateur sera

plus ou moins affecté par les distorsions. On cherchera toujours à se rapprocher du
point de compression tout en restant dans la zone linéaire pour éviter les distorsions et
maximiser le rendement de l’amplificateur [23]. Certains systèmes mettent en place des
techniques de linéarisation [24] [25] qui permettent d’étendre la zone de fonctionnement
linéaire de l’amplificateur. Le but de cette manipulation est d’avoir une plage assez
importante de la zone linéaire afin de pouvoir effectuer l’amplification sans engendrer
de distorsions. Ces techniques sont souvent très complexes à mettre en oeuvre et ne
sont pas souvent applicable dans certains systèmes. On peut citer les Méthodes de
linéarisations suivantes : La technique de la pré-distorsion(PD), la technique du Feed-
Forward(FF), et celle du Feed-back(FB), [26].
4.1.3 Le recul d’entré et le recul de sortie

Pour utiliser un amplificateur de puissance on se place généralement dans sa zone
linéaire à une certaine hauteur de son point de compression que nous avons définit dans
le paragraphe précédent. Cela se traduit par le choix du niveau de puissance du signal
d’entrée que l’on souhaite amplifier. Soit 𝒫e la puissance d’entrée de l’amplificateur et
𝒫e,1dB celle au point de compression. De même notons par 𝒫s la puissance de sortie de
l’amplificateur et 𝒫s,1dB celle au point de compression. On définit les notions suivantes
de « Input Back-Off »(IBO) et de « Output Back-Off »par les relations suivantes :
𝒫e,1dB
IBO = 10log10( ) (1.25)
𝒫e
𝒫s,1dB
OBO = 10log10( ) (1.26)
𝒫s
L’IBO ou l’OBO sont des paramètres caractérisant la zone de la fonction de transfert
AM/AM de l’amplificateur dans laquelle il est utilisé, Fig. 1.15. Plus ils sont faibles,
plus on s’approche de la zone de saturation de l’amplificateur et on verrait apparaître
des distorsions. Dans ce cas, le seul avantage serait le rendement énergétique obtenu qui
est très important pour le bilan énergétique. En effet, on montre que le rendement d’un
amplificateur analogique des classes A, B, AB, et C qui sont les plus utilisés, est donné
par l’équation (1.27), [27], où 𝜃 représente l’angle de conduction du courant du drain.
On peut ainsi observer que lorsque l’OBO est faible, c’est à dire 𝒫s élevée, on a bien un
rendement 𝜂 important, Fig. 1.15.
𝜃 − sin(𝜃) cos(𝜃) 1
𝜂= (1.27)
2(sin(𝜃) − 𝜃 cos(𝜃) OBO
Par contre, lorsque l’OBO est élevé, la puissance de sortie est faible. On s’éloigne
donc du point de compression de l’amplificateur en se rapprochant d’avantage de sa zone
linéaire. De très faible distorsions du signal apparaissent, voir aucunes. On cherchera
toujours à adopter un OBO élevé en effectuant un recul d’entrée (IBO) important. Mais
ce choix n’est pas sans conséquence car comme on peut le voir avec l’équation (1.27) le
rendement serait très faible. Dans ce cas, l’amplificateur consommerait plus d’énergie
inutilement. Des techniques permettent de réduire les distorsions des amplificateurs en
Point Point
de de
Fonctionnement Point
Compression de
Ps Saturation
Ps, sat
1dB
Ps,1dB
Rendement
OBO
de
l’amplificateur
Ps
IBO
Zone I Zone II Zone III
Pe Pe,1dB Pe, sat Pe
Figure 1.15 – Exemple de Caractéristique AM/AM d’un amplificateur de puissance
éviter un trop recul d’entrée, on peut citer entre autre les techniques de linéarisation
des amplificateurs de puissance [24] [28].
4.1.4 Influence du Peak Power Ratio PAPR sur l’amplification

Nous avons vu dans le paragraphe précédent que des distorsions apparaissent lors-
qu’un signal est amplifié dans une zone proche de la saturation de l’amplificateur. La
solution simple, adoptée pour éviter ce phénomène est d’amplifier le signal dans la zone
linéaire de l’amplificateur en adoptant un recul d’entré (IBO) important. Cependant
l’un des inconvénients majeurs de ce procédé, est la baisse du rendement énergétique
de l’amplificateur. Typiquement, cela se traduit dans les téléphones mobiles, par une
plus forte consommation de la batterie qui s’épuiserait plus vite. Un choix judicieux du
point de fonctionnement (IBO, OBO) doit donc être trouvé afin de gagner dans les deux
tableaux à savoir un fort rendement et une absence de distorsions.
Le compromis dépend intrinsèquement de la nature du signal à l’entrée de l’ampli-
ficateur. En effet lorsque le signal d’entrée possède de fortes excursions autour de sa
moyenne, il sera risqué d’amplifier le signal dans une zone proche de la saturation. Par
contre lorsque ses excursions sont faibles, amplifier le signal dans la zone critique n’en-
trainerait pas de distorsions et permettrait d’obtenir un grand rendement. C’est ainsi
que la notion de PAPR a été introduite comme critère de choix du point de fonction-
nement (IBO, OBO).
En effet, Le PAPR d’un signal x (t) ou « Peak to Average Power Ratio »[29] est
par définition le rapport entre la puissance maximale du signal x (t) et sa puissance
moyenne sur un temps donné. Cette quantité indique l’amplitude des excursions autour
de la valeur du signal d’entrée. Il permet ainsi de déterminer le bon recul d’entré (IBO)
à adopter afin de s’assurer que les plus grandes excursions du signal soient loin de la
zone de saturation.
max (∣x (t)∣2 )

0⩽t⩽T
PAPR = ∫ (1.28)
1 T 2
T 0 ∣x (t)∣ dt
Un signal à faible PAPR possède de faible excursions autour de sa valeur moyenne,
on peut ainsi choisir un point de fonctionnement proche du point de compression sans
risquer d’obtenir des distorsions et en garantissant un rendement plus élevé. On peut
citer comme exemple, le choix de la modulation GMSK pour le GSM [30] [31] qui permet
d’obtenir un PAPR nul [32] pour un canal GSM.
Par contre un signal à fort PAPR possède des excursions très importantes autour
de sa moyenne. Pour ces signaux le choix d’un point de fonctionnement très éloigné de
la zone de saturation de l’amplificateur s’impose. Ce choix est très préjudiciable car le
rendement obtenu sera très médiocre. Les signaux multi-porteuses comme l’OFDM sont
des exemples de signaux à fort PAPR[33].
4.2 Evaluation du PAPR du signal SC-FDMA

Dans cette partie nous examinons le PAPR du signal SC-FDMA (voir [34]). Pour cela
reconsidérons
{ k} l’équation (1.28) avec les notations de la section 3. Le signal échantillonné
sm 0⩽m⩽N −1 de la sortie du modulateur SC-FDMA de l’utilisateur k sur une période
symbole T est donné par l’équation (1.9). Cette équation est valable quelque soit le
mapping utilisé : I-FDMA ou L-FDMA. En prenant en compte le filtre de mise en
forme en cosinus surélevé p(t) donné par l’équation (1.1) , on obtient le signal émis
(1.6), qui peut s’écrire comme suit ou fc représente la fréquence RF du système.
N −1
1 j 2𝜋fc t ∑ k
s k (t) = e sm p(t − mT ) (1.29)
N
m=0
La relation (1.28) permet de définir le PAPR du signal SC-FDMA de l’utilisateur k

comme suit :
2
max (s k (t) )
0⩽t⩽T
PAPR = ∫ T 2
(1.30)
1 k
T 0 ∣s (t)∣ dt
Le filtrage remonte le PAPR du signal [35] mais lorsqu’aucun filtre de mise en forme
est utilisé le PAPR du signal SC-FDMA de l’utilisateur k se calcule simplement à partir
de ses symboles sm k émis :
k 2
max (sm )
0⩽m⩽N −1
PAPR = N −1
(1.31)
1 ∑ k ∣2
N ∣sm
m=0
{ k}
La suite de symboles sm 0⩽m⩽N −1
suit une loi aléatoire car générée à partir des
symboles sources tirés dans un alphabet de Q éléments selon une loi uniforme. Dès lors
le PAPR du signal devient une variable aléatoire. Il est donc nécessaire d’utiliser
k 2 la dis-
tribution du signal pour le calcul de la valeur maximale des échantillons sm ainsi que
de leur valeur moyenne. Wullich et Goldfeld ont montré dans [36] que l’amplitude d’un
signal mono-porteuse n’a pas une distribution gaussienne, il est donc difficile d’établir
une expression exacte du PAPR du signal SC-FDMA qui est un signal monoporteuse
comme l’on l’avons déjà indiqué.
Ainsi, pour contourner le problème, on utilise en général des méthodes numériques
pour estimer le PAPR. La technique la plus répandue est celle de la CCDF « Comple-
mentary Cumulative Distribution Function »du PAPR [37] qui correspond à la probabi-
lité pour que le PAPR soit supérieur à une certaine valeur PAPR0 : Pr(PAPR≻PAPR0 ).
En résumé, pour déterminer le PAPR du signal SC-FDMA { k } nous simulerons la chaine
de transmission du système pour générer les symboles sm 0⩽m⩽N −1 sur une période
T ; l’équation (1.30) ou (1.31) sera ensuite appliquée pour déterminer numériquement
le PAPR du signal.
4.3 Etude comparative du PAPR des signaux SC-FDMA et OFDM

Dans cette section, nous donnons une comparaison du PAPR du signal SC-FDMA
(I-FDMA ou L-FDMA) et de celui de l’OFDM qui est une technique de transmission
utilisé aujourd’hui dans de nombreux systèmes comme le DAB, DVB-T, le IEEE 802.11
ou Wifi, le WLAN...
Pour les simulations, nous avons choisi un système de 5MHz de largeur de bande
avec une modulation de type Q-PSK pour les deux signaux SC-FDMA et OFDM. La
taille de la DFT au niveau émetteur est fixée à Q = 16 et la taille de l’IDFT à N = 512
pour le système SC-FDMA, ce qui nous donne un facteur d’étalement spectrale de
L = 32. Le filtre de mise en forme utilisé dans ce cas est le filtre en cosinus-surélevé.
Pour les systèmes OFDM, aucun filtre n’est utilisé et la taille de l’IDFT est également
fixée à N = 512. Seul le cas mono-utilisateur est considéré dans les deux systèmes.
Dans un premier temps nous ignorons le filtre de mise en forme Figure 1.16, avant de
voir son impact sur les résultats de simulations Figure 1.17 pour ce qui concerne le cas
des signaux SC-FDMA. Dans tous les cas de figures on peut constater que la CCDF
du PAPR (donc le PAPR) du signal SC-FDMA est plus faible que celle de l’OFDM
Figure 1.16 et Figure 1.17. De plus on observe que le PAPR du signal I-FDMA est
toujours inférieur à celui du signal L-LFDMA, même si cet écart se ressert lorsque nous
utilisons un filtre de mise en forme en cosinus surélevé.
Sur la Figure 1.17, on peut également noter l’influence du facteur de roll-off sur le
PAPR du signal. Plus ce facteur diminue, plus le PAPR du signal SC-FDMA (I-FDMA
et L-FDMA) augmente. Ce résultat avait déjà été montré par Jacques Palicot et Yves
Louet dans [38] pour les systèmes monoporteuse en général. Cela s’explique avec la
remontée spectrale des lobes secondaires du signal, causée par le filtre de mise en forme
qui devient de plus en plus carré lorsque le roll-off diminue. Mais malgré la dégradation
du PAPR du signal SC-FDMA, le PAPR de l’OFDM reste très élevé par rapport à celui
Peak to Average Power Ratio: PAPR

0
10
I−FDMA
OFDMA
L−FDMA
−1
10
Pr(PAPR>PAPR0)
−2
10
−3
10
−4
10
0 2 4 6 8 10 12
PAPR0(dB)
Figure 1.16 – Comparaison de la CCDF du PAPR du signal SC-FDMA sans filtre de

mise en forme, et du signal OFDMA.
du signal SC-FDMA. Il est aussi intéressant de noter que le PAPR du L-FDMA ne varie
pratiquement pas avec le facteur de roll-off, Figure 1.17.
5 SC-FDMA et autres techniques de modulation

Dans ce paragraphe nous menons une étude comparative entre la technique de mo-
dulation SC-FDMA et celle des systèmes OFDMA et DS-CDMA qui ont été des sys-
tèmes concurrents lors de la normalisation du 3GPP LTE. Ils s’agit de dresser les points
communs et les avantages et inconvéniens de chaque techniques.
5.1 SC-FDMA et OFDMA

L’OFDMA est une technique d’accès multiple basée sur la technique OFDM, et
adoptée dans la norme 3GPP LTE pour les communications dans le sens descendant.
Comme nous avons pu le constater dans la section 3, le système SC-FDMA a des
ressemblances à bien des égards avec le système OFDMA. Sur la Fig.1.18, on peut
observer que le SC-FDMA n’est rien d’autre que de l’OFDMA avec un précodage DFT
suivi d’un multiplexage particulier dans le domaine fréquentiel. Cette figure permet de
5 SC-FDMA et autres techniques de modulation 35
Peak to Average Power Ratio: PAPR

0
10
−1
10 I−FDMA
Pr(PAPR>PAPR0)
L−FDMA
−2 OFDMA
10
α=0.8
α=0.4
−3 α=0.1
10
−4
10
0 2 4 6 8 10 12
PAPR0 (dB)
Figure 1.17 – Comparaison de la CCDF du PAPR du signal SC-FDMA avec un filtre

de mise en forme en consinus-surélevé (Rool-off 𝛼), et du signal OFDMA.
relever les points communs entre ces deux techniques qui sont les suivants :
– Une transmission des données en blocs
– Un multiplexage des données en fréquentiel au sens où ils sont réparties sur plu-
sieurs sous-porteuses orthogonales
– Une égalisation de canal réalisée dans le domaine fréquentiel
– Un intervalle de garde pour prévenir des interférences entre blocs.
– Une complexité globalement équivalente
Mais ces techniques n’ont pas que des points communs. La différence majeure entre
elles, réside dans le fait que l’OFDMA est une technique de transmission multi-porteuse
tandis que le SC-FDMA est quant à elle une technique mono-porteuse. Si Bcanal corres-
pond à la largeur de bande du système utilisé, et L le nombre d’utilisateurs qui doivent
se partager les ressources radio, alors la largeur de bande de chaque utilisateur serait de
Bmobile = Bcanal
L . Dans la norme 3Gpp LTE, les symboles sources de durée T de chaque
utilisateur viennent moduler un ensemble de sous-porteuses chacune ayant 15 KHz de
largeur de bande. Dans le cas du système OFDMA la bande passante Bmobile de chaque
utilisateur est subdivisés en Q sous-porteuses modulées parallèlement par Q flux de
données distincts ; chaque symbole dans un flux ayant chacun une durée de Q × T ,
Fig. 1.19. Ce procédé réalise indirectement une compression de chaque symbole source
dans le domaine fréquentiel d’un facteur Q, accompagné d’un étalement de facteur L de
la durée du symbole dans le domaine temporel. La transmission se faisant parallèlement
sur Q sous-porteuses, le système de transmission est donc un système multi-porteuse.
Q-point Mapping des N-point Filtre
P-à-S
S-à-P
IDFT CP
DFT sous-canaux +
CNA
(OFDM)
Canal
Démapping N-point S-à-P

Q-point Filtre
P-à-S
Détection des suppression

IDFT DFT
sous-canaux CP +
CAN
OFDMA: SC-FDMA: +
Figure 1.18 – Emetteur/Récepteur des systèmes OFDMA et SC-FDMA
Ce système permet d’une part d’augmenter de manière considérable le débit du système,

grâce à la transmission en parallèle des symboles de données, mais permet également au
système d’être plus robuste vis à vis des interférences entre symboles grâce à l’augmen-
tation de leur durée. Mais ce système n’a pas que des avantages. En effet le caractère
multi-porteuse du signal émis de l’OFDMA, conduit à une fluctuation importante du
signal autour de sa valeur moyenne : On a un fort PAPR qui nécessite soit un traitement
de réduction auquel cas on augmenterait la complexité du système, soit en adoptant un
IBO (voir section. 4.1) élevé ce qui entrainerait un mauvais rendement énergétique du
système.
Par contre, pour les systèmes SC-FDMA, Fig. 1.19, chaque symbole source est
d’abord étalé dans le domaine fréquentiel par un facteur L pour occuper toute la lar-
geur de bande du système, Bcanal . Chaque symbole est ensuite émis pendant une durée
équivalent à TL . Un symbole SC-FDMA comprend alors N = Q ∗ L échantillons, avec
une durée de L ∗ T qui correspond également à la durée d’un symbole OFDMA. Ainsi le
système SC-FDMA transmet les symboles de façon séquentielle au cours du temps sur
une seule porteuse. Il s’agit ainsi d’un système mono-porteuse. De ce fait, contrairement
à l’OFDMA ce système a l’avantage d’avoir un très faible PAPR qui a été déterminant
quant à son adoption dans la norme 3GPP LTE.
Un autre avantage de ce système par rapport à l’OFDMA est le précodage réalisé à
l’émission. En effet l’OFDMA réalise une égalisation et une détection séparément pour
5 SC-FDMA et autres techniques de modulation 37
Les symboles souces MAQ
Amplitude Amplitude
OFD bole
SC- bole
A
MA
FDM
Sym
Sym
CP CP
ps
ps
Tem
SC-F ole
Tem
OFDM e
ol
DMA
A
b
Symb
Sym
Fréquences Fréquences
15 KHz 60 KHz
Modulation OFDMA Modulation SC-FDMA
Figure 1.19 – Comparaison des modes de transmission parallèle (resp. séquentiel) des
systèmes OFDMA (resp. SC-FDMA)
chaque sous-porteuse du système. Ainsi lorsque qu’aucun codage est réalisé dans ce
système, le canal étant très sélectif, certaines porteuses seront supprimées par le ca-
nal et il serait donc impossible de retrouver le flux de donné localisé sur les porteuses
supprimées. Par contre dans le système SC-FDMA la détection est effectuée après le
modulateur DFT à la réception qui lui rend ainsi moins sensible à la sélectivité fré-
quentielle du fait que les perturbations sont moyennées sur toute la largeur de bande du
système comme on peut le constater sur la Figure 1.20. Le modulateur DFT se comporte
donc comme un précodeur.
OFDMA
Egaliseur Détection
N-point De-mapping des
DFT Egaliseur Détection
sous-canaux
Egaliseur Détection
OFDMA
SC-FDMA
N-point De-mapping des

Egaliseur Q-point Détection
DFT sous-canaux DFT
SCFDMA
Figure 1.20 – Egalisation des systèmes OFDMA et SC-FDMA
5.2 SC-FDMA et DS-CDMA

Le DS-CDMA ou « Direct Séquence code division multiple access « . associé avec la
technique d’égalisation fréquentielle (FDE), a remplacé le récepteur type Rake utilisé
dans le DS-CDMA par une égalisation dans le domaine fréquentiel. Un récepteur Rake
consiste à un banc de filtres de corrélateur chacun étant synchronisé sur une sous-
porteuse du système. Ainsi, lorsque le nombre de sous-porteuses devenait considérable,
la complexité du récepteur augmentait. C’est pourquoi la technique FDE [39] (Frequency
domain equalization) a été préférée par rapport au Rake pour sa simplicité de mise en
œuvre. Une illustration du système DS-CDMA avec la technique FDE est donnée dans
la Fig. 1.21.
Trois points communs essentiels existent entre ce système avec égalisation FDE et le
système SC-FDMA. En effet les deux techniques mettent en œuvre un étalement spec-
tral l’un, le DS-CDMA, par le moyen d’une séquence plus rapide que le signal source
à émettre ; et l’autre, le SC-FDMA, par le moyen d’un multiplexage fréquentiel per-
mettant de transformer le signal source bande étroite à un signal large bande occupant
toute la largeur de bande du système. L’autre point commun entre ces techniques est
leur faible PAPR. Quand on observe la Figure 1.21, on peut s’apercevoir que les deux
systèmes sont mono-porteuses ce qui leur confère une faible fluctuation du signal émis,
6 SC-FDMA dans la norme 3GPP LTE 39
Ajout.
Etalement
CP
Canal
Supp. DFT IDFT De-

Egalisation Detection
CP (N) (N) Etalement
Figure 1.21 – Emetteur/Récepteur du DS-CDMA avec une Egalisation FDE
propriété intéressante par rapport au bilan énergétique. Et le dernier point essentiel,

est l’utilisation d’un égaliseur en fréquentiel (FDE) qui rend la structure du récepteur
moins complexe.
Mais le DS-CDMA présente le désavantage d’être incompatible avec la technique du
CDS (Channel Dependent Schéduling) utilisée dans le SC-FDMA pour augmenter la
diversité multi-utilisateurs dans le cas du L-FDMA et la diversité fréquentielle dans le
cas de l’I-FDMA.
6 SC-FDMA dans la norme 3GPP LTE

6.1 Du GSM au LTE : L’historique
Le 3GPP « 3rd Generation Partnership Project »est une coopération signée en dé-
cembre 1998, entre organismes de standardisation régionaux en Télécommunications
tels l’ETSI(Europe), ARIB-TTC(Japon), CCSA(Chine), ATIS(Amérique du Nord) et
TTA(Corée du Sud), visant à produire des spécifications techniques dans le but de faire
évoluer la norme GSM de l’époque dite de 2nd Génération, vers la norme dite de 3eme
génération que nous connaissons aujourd’hui l’UMTS (Universal Mobile Telecommuni-
cations System).
Depuis cette signature, plusieurs améliorations du GSM ont été proposées et dé-
ployées : Il y a eu le GPRS (General Packet Radio Service) en 2000 avec la Realese 97
qui permettait l’envoie de flux de données dans les réseaux pour la première fois [40].
C’était le début d’internet sur les mobiles. Les débits sont de l’ordre de 40Kbps pour
le downlink et de 14Kbps pour le uplink. Après le GPRS, le 3GPP a mis en place la
technologie EDGE (Enhanced Data rates For Global Evolution), Realease 98, labélisée
sous le nom de 2.75 G [40]. C’est une évolution majeure qui touche la technologie d’accès
radio. La technique de modulation GMSK du GSM a été remplacée par la technique
de modulation 8PSK, qui permet d’améliorer le débit binaire pour atteindre 384Kbps
pour le downlink. Une nouvelle technique de codage canal a également été adoptée pour
améliorer l’éfficacité spectrale.
Après ces évolutions du GSM considérées toujours comme technologie de 2nd géné-
ration, l’UMTS (Universal Mobile Telecommunications System) a complètement boule-
versé les systèmes de téléphonie mobile, release 99. Tout le réseau mobile a été repensé
dans sa totalité dans cette nouvelle norme qui marque ainsi le passage de la 2G à la
3G. C’est la norme en vigueur dans les réseaux actuels disponible depuis 2002 dans
certains pays. Il permet d’obtenir des débits très élevés (2Mbps) et donc de supporter
plusieurs services comme internet haut débit, visiophonie, vidéo à la demande. Cette
norme a connu des évolutions techniques elle aussi depuis sa mise en place. Les tech-
nique HSDPA et HSUPA ont permis d’augmenter encore plus son débit, 14.4 Mbps en
downlink puis de 5.8 Mbps en uplink.
Lancé depuis 2004, le « Long Term Evolution »(LTE) est un projet initié au sein du
3GPP, axé sur l’amélioration de la technique d’accès radio (UTRA) et l’optimisation
de l’architecture des systèmes de troisième génération existants UMTS. La volonté de
départ a été d’augmenter le débit moyen utilisateur de trois à quatre fois celui de la
release 6 HSDPA pour la voix descendant soit ≈ 100Mbits/s ; mais également de deux
à trois fois celui de la voix montante HSUPA soit ≈ 50Mbits/s.
En 2007, le projet LTE est passé de l’étude de faisabilité aux premières spécifications
techniques. Ainsi en Décembre 2008, après plusieurs améliorations, les spécifications
sont enfin suffisamment mûries pour la mise oeuvre commerciale du LTE, pour donner
naissance à la Release 8 qui est la norme 3GPP LTE.
6.2 Spécifications du LTE

Le 3GPP LTE est la nouvelle norme qui offre une évolution à la fois de l’UTRA ainsi
que du réseau cœur de l’UMTS. La Release 8 contient les bases de cette norme. Elle a
permis d’augmenter le débit des données et la qualité de service avec des équipements
moins complexes et optimisés, et aussi de réduire les temps de latences du système.
Cette nouvelle norme est dans la continuité des systèmes existant afin d’éviter tout
démantèlement de réseaux et donc de limiter le coût de son déploiement.
Pour augmenter l’efficacité spectrale du système, de nouvelles techniques d’accès

radio ont été adoptées dans cette norme. Pour les communications de la voix descen-
dante, c’est la technique d’accès OFDMA « Orthogonal Frequency Division Multiple
Acces »basée sur l’OFDM qui est choisie. Ce multiplexage est basée sur une modu-
lation de type OFDM qui a déjà fait ses preuves dans plusieurs systèmes comme le
WIFI(IEEE 802.11), la DVB-T « Digital Video Broadcasting - Terrestrial ». Simple à
mettre en œuvre, elle est très robuste à la sélectivité des canaux multi-trajets et per-
met d’envoyer des débits élevés dans le réseau sans risquer une forte dégradation de la
qualité de transmission. Avec cette technique d’accès le débit crête atteint 100Mbps en
downlink.
Pour les communications de la voie montante, c’est la technique SC-FDMA étudiée
dans cette thèse qui a été préférée à celle de l’OFDMA. Comme nous l’avons déjà
vu dans la Section. 6.1 cette technique est très proche de la technique OFDM, mais
son principal avantage sur son concurrent est son faible PAPR que nous avons montré
auparavant. C’est la principale raison qui a value son adoption pour le LTE uplink. Il
est aussi simple à mettre en œuvre, avec une bonne efficacité spectrale, et est tout aussi
robuste aux canaux sélectifs multi-trajet. La technique d’accès L-FDMA a été préférée
à celle de l’I-FDMA, car permettant d’obtenir des débits plus importants lorsque la
technique de CDS (Channel Dependent Scheduling) est utilisée. Avec cette technique
d’accès le débit crête atteint 50 Mbps en Uplink pour le LTE. Dans cette section nous
donnons quelques détails sur les spécifications du SC-FDMA dans la norme LTE.
6.3 Spécifications du SC-FDMA dans le LTE

6.3.1 Trames et Slots
Les transmissions en voie montante dans les systèmes LTE sont organisées en modes
trames et slots, Figure 1.22. Une trame est constituée de 20 slots ; chacune ayant 6 ou
7 symboles SC-FDMA selon le type d’intervalle de garde utilisé. La durée d’une trame
est fixée à 10 ms, soit 0.5 ms pour la slot. Du point de vu spectrale, le système LTE
dispose de six canaux de largeur de bande allant de 1.4 à 20 MHz, Table 1.1. Chaque
canal est subdivisé en plusieurs sous-canaux (sub-carriers) de largeur Δf = 15 KHz
chacun. Ainsi, la durée d’un symbole SC-FDMA est donnée par :
1 1
Tsymb = = ≈ 44 𝜇 s (1.32)
Δf 15 × 103
Une trame radio = 10 ms
Une Sous-trame = 1 ms
Un Slot = 0.5 ms
#0 #1 #2 #3 ........ #18 #19
Figure 1.22 – Trame et Slot du système SC-FDMA.
Pour absorber l’interférence entre symbole, la technque utilisée consiste à insèrer un

Intervalle de Garde (IG) ou « Cyclic Prefix (CP) »sur chaque paquet transmis dans le
canal. Il s’agit uniquement de copier la fin de chaque paquet que l’on rajoute au début
de celui-ci (Voir Figure 1.23). Ainsi lorsque le retard maximal du canal est inférieur à
la longueur de l’intervalle de garde, tout se passe bien c’est à dire que toutes les interfé-
rences seront absorbées. Par contre lorsque le retard maximal du canal est grand devant
la longueur de l’intervalle de garde, toute l’IES ne sera pas absorbée et l’estimation
risque d’être médiocre.
Noter que l’intervalle de garde joue un second rôle qui est de périodiser le signal
émis. Cela a pour avantage de rendre circulaire la convolution du canal afin d’obtenir
une égalité entre la DFT du signal reçu après suppression de l’intervalle de garde et le
produit de la transformée de Fourrier du signal émis et de la fonction de transfert du
canal de transmission.
Trajet principal n-1 n n+1
Trajet retardé n-1 n n+1
IES IES
Trajet principal n-1 n n+1
Trajet retardé n-1 n n+1
Pas d’ IES
Figure 1.23 – Absorption de l’interférence entre symbole IES
L’insertion de l’intervalle de garde (CP ou « Cyclic Prefix »), utilisé dans ce système
air qui intègre cette
rallonge la durée symbole. On définit ainsi une nouvelle grandeur Tsymb
modification.
air
Tsymb = (1 + CP ).Tsymb (1.33)
Deux types d’intervalles de garde existent pour ce système : L’intervalle de garde
T
normal ou « Normal-CP »dont la durée TNorm−CP correspond à symb 14 , et l’intervalle
T
de garde étendu ou « Extended-CP »dont la durée TExt−CP correspond à symb 4 . La
norme utilise l’intervalle de garde étendu lorsque l’utilisateur se trouve sur une cellule
de grande taille dans laquelle il est susceptible d’obtenir des interférences très sévères
dues aux multi-trajets du canal. Le système est alors sous dimensionné et le nombre de
symboles SC-FDMA dans un slot est réduit à 6. Par contre l’intervalle de garde normal
qui est plus utilisé est adapté pour les cellules de taille moyenne, le nombre de symboles
SC-FDMA par slot est de 7.
La fréquence horloge Fclock du système, a été dimensionnée par rapport à la ca-
pacité maximale du système correspondant au canal de largeur de bande de 20 Mhz.
C’est la fréquence d’échantillonnage du système à 20 MHz permettant d’obtenir 2048
échantillons SC-FDMA :
Fclock = 15KHz × 2048 = 30.72MHz (1.34)

Les fréquences d’échantillonnages des systèmes utilisant les autres largeurs de bande
correspondent à des diviseurs de Fclock pour des raisons de simplicité. Par exemple le
système à 10 Mhz de largeur de bande a une fréquence d’échantillonnage de 15.36 Mhz
soit Fclock
2 , Table. 1.1.
Les slots sont regroupés deux à deux en sous-trame de 1 ms. Chaque sous-trame
constitue un intervalle de temps de transmission LTE (TTI « Transmission Time inter-
val »).
Une trame radio = 10 ms
Une moitié de trame = 5 ms
Une sous-trame (TTI) = 1 ms
Un slot = 0.5 ms
Sous-trame Sous-trame Sous-trame Sous-trame Sous-trame Sous-trame Sous-trame Sous-trame

#0 #2 #3 #4 #5 #7 #8 #9
DwPTS UpPTS DwPTS UpPTS

GP GP
Figure 1.24 – Le mode de transmission TDD.
Deux modes de transmissions Uplink-Downlink, ont été spécifiés pour le LTE : Le

Mode FDD « Frequency Division Duplex »dans lequel les transmissions en voix mon-
tante et descendante utilisent des bandes de fréquence différentes, et le mode TDD
« Time Division Duplex »ou les ressources fréquentielles sont les mêmes pour le uplink
et le downlink. La Figure 1.24 représente la structure de chaque trame dans le mode
TDD. Pour ce type de transmission, comme le montre la figure, les sous-trames N∘ 1
et N∘ 6 sont réservées pour préciser le sens de transmission de la trame. Les canaux
DwPTS et UpPTS véhiculent cette information. Un autre canal, GP, est utilisé comme
intervalle de garde pour bien isoler les canaux précédemment cités.
6.3.2 Allocation de ressources

Dans les systèmes LTE, les ressources radio sont allouées à chaque utilisateur en
temps et en fréquence. La plus petite ressource allouée est appelée RB « Resource
Block ». Toutes les ressources block RB disponible dans un système de largeur de bande
donné, est appelé RG ou « Resource Grid ». Un RB a une durée de 0.5 ms et une largeur
de bande de 180 KHz correspondant ainsi à un slot. Etant donnée que l’intervalle entre
sous-canaux est de Δf = 15 KHz, il ya exactement 12 sous-canaux dans une ressource
block. Chaque utilisateur se voit attribuer un multiple de la ressource RB selon ses
besoins de communication. La largeur de bande allouée est donc un multiple de 180 KHz
et la couche physique emploie le mode localisé pour le partage des ressources comme
nous l’avons déjà vu dans la section 6.2. Compte tenue du mode localisé, le système ne
peut allouer que des ressources block consécutives. Le nombre de RB maximal utilisable
dans un système à 1.4Mhz est de 6 alors que ce nombre atteint 100 pour les systèmes
à 20MHz. Le Tab. 1.1 montre les différents paramètres du système selon la largeur de
bande utilisée. On peut constater que tous les sous-canaux de l’IDFT ne contiennent
pas tous des informations, en effet une bande de garde est réservée dans le domaine
fréquentiel pour éviter les radiations hors bande : On peut le constater sur le Table. 1.1
en remarquant que le nombre de sous-porteuses réellement modulé (NSC RB × N UP ) est
RB
différents de la taille de l’IDFT (N ).
D’autre part, dans le domaine temporel, comme nous l’avons déjà vu dans le para-
graphe précédent, une ressource block RB qui n’est rien d’autre qu’un slot, est constituée
de 6 ou 7 symboles SC-FDMA selon la configuration de l’intervalle de garde CP. Les
Figure 1.25 et Figure 1.26 donnent respectivement une représentation en temps et en
fréquence de la structure d’un slot ou RB.
Une trame radio SC-FDMA = 10 ms
Un Slot
#0 #1 #2 #3 ........ #18 #19
Symbole Pilote
CP
CP
CP
CP
CP
CP
CP
#0 #1 #2 #3 #4 #5 #6
Un Slot = 0.5 ms
Figure 1.25 – Représentation temporellle du slot d’un système SC-FDMA à 5 Mhz de

largeur de bande
7 Conclusion 45
6.3.3 Signaux de références : Pilotes

Dans la norme LTE, en plus du signal informatif émis, et des signaux de contrôle
de la transmission, on utilise des signaux de références(ou pilotes). Ces signaux servent
à estimer le canal de transmission pour la démodulation ou pour application d’un algo-
rithme de CDS (Channel Depend Scheduling) afin d’allouer les meilleurs RB à chaque
utilisateur lui permettant d’obtenir un bon débit. Ainsi, dans une ressource block RB,
le symbole N∘ 4 est réservé pour véhiculer les signaux de références. Ainsi, lorsque qu’un
intervalle de garde dit normal est utilisé, un symbole sur sept du signal SC-FDMA
transmis sera constitué de signaux pilotes. Le débit se trouve alors réduit de 17 ce qui
est préjudiciable. Noter que les symboles de références utilisés sont des séquences de
CAZAC ou « Constant Amplitude Zero Auto-correlation ». Les séquences Zadoff-Chu
en sont un exemple. Elles sont réputées avoir une faible auto-corrélation, une amplitude
constante, une réponse fréquentielle plate, et une faible inter-corrélation circulaire entre
elles.
Un Slot
Zéros
..
..
Fréquences
Ressource Block
..
..
(RB)
× N scRB = 300 ; (4.5 MHz)
N scRB = 12 ; (180 kHz)

N = 512 ; (7.68 MHz)
Symbole
de
Référence
UL
N RB
..
..
..
..
Zéros
l=0 l=6
Temps: Symboles SC-FDMA
Figure 1.26 – Représentation fréquentielle du slot d’un système SC-FDMA à 5 Mhz

de largeur de bande
7 Conclusion
Dans ce chapitre, nous avons vu en détails les techniques de modulation et de démo-
dulation du système SC-FDMA. Ce système étant monoporteuse, du fait de la transmis-
sion séquentielle sur une porteuse, présente l’avantage d’avoir un faible Peak to Average
Bandes passantes
du canal (MHz) 1.4 3 5 10 15 20
Nombre de Ressource
UL
Bloc (RB) utilisé RRB 6 15 25 50 75 100
Nombre de sous-porteuses
modulées RSCRB × R UL 72 180 300 600 900 1200
RB
Taille N : IDFT(TX) et
DFT(RX) 128 256 512 1024 1536 2048
Fréquence
dŠEchantillonnage 1.92 3.84 7.68 15.36 23.04 30.72
Nombre dŠEchantillons
par Slot 960 1920 3840 7680 11520 15360
Table 1.1 – Tableau récapitulatifs des paramètres du système SC-FDMA en fonction

des largeurs de bandes autorisées.
Power Ratio (PAPR) qui est un critère très bénéfique pour la consommation des bat-
teries dans les téléphones mobiles. A cause de ces mérites, le système SC-FDMA a été
adopté comme technique d’accès multiple pour les communications en voix montante
dans la nouvelle norme de téléphonie mobile le 3GPP LTE ou Long Term Evolution.
Nous avons également souligner dans les sections 3.1 et 3.2, les deux techniques de
multiplexage fréquentiel du système : Le mode distribué I-FDMA, et le mode localisé
L-FDMA. L’I-FDMA pour lequel les sous-porteuses modulées sont uniformément répar-
ties sur toute la largeur de bande du système, a l’avantage d’avoir une grande diversité
fréquentielle, alors que le mode localisé L-FDMA, utilisé dans le LTE, pour lequel les
sous-porteuses sont contigües, présente l’avantage d’avoir une meilleur diversité mul-
tiutilisateurs par le moyen du CDS (Channel Scheduling). Mais dans la norme 3GPP
LTE, un symbole sur sept symboles SC-FDMA de la voix montante est utilisé comme
symboles de référence pour l’estimation de canal et de l’égalisation. Ainsi une diminu-
tion du débit utile de l’ordre de 1/7 qui n’est pas négligeable apparaît. Notre objectif
global dans cette thèse est de proposer des nouvelles techniques d’estimation et d’éga-
lisation dans le but de réduire cette perte en débit utile. Pour cela nous commençons
dans le chapitre 2 par l’état de l’art des différentes techniques classiques d’estimation
et d’égalisation de canal de transmission.
Chapitre 2
Etat de l’art sur l’égalisation des

canaux de communication
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2 Modèles de canaux . . . . . . . . . . . . . . . . . . . . . . . . 48
2.1 Canaux SISO, SIMO et MIMO . . . . . . . . . . . . . . . . . 50
2.2 Quelques Exemples de canaux . . . . . . . . . . . . . . . . . . 52
3 Principe de l’égalisation . . . . . . . . . . . . . . . . . . . . . 55
3.1 Les différentes étapes . . . . . . . . . . . . . . . . . . . . . . 56
3.2 Classification des Egaliseurs . . . . . . . . . . . . . . . . . . . 57
4 Critères classiques d’Egalisation : Fonction de coût . . . . . 59
4.1 Critère du Maximum à Postériori MAP . . . . . . . . . . . . 59
4.2 Critère du Maximum de Vraissemblance MV . . . . . . . . . 60
4.3 Critère de la distorsion crête et critère du Zero-Forcing ZF . 62
4.4 Critère du Minimum d’Erreur Quadratique Moyenne MEQM 65
4.5 Critère du Module Constant CM . . . . . . . . . . . . . . . . 68
5 Algorithmes classiques d’adaptation . . . . . . . . . . . . . . 69
5.1 Algorithmes du gradient . . . . . . . . . . . . . . . . . . . . . 69
5.2 Algorithme de Newton . . . . . . . . . . . . . . . . . . . . . . 71
6 Architectures classiques . . . . . . . . . . . . . . . . . . . . . 72
6.1 Rappels sur quelques propriétés des filtres numériques . . . . 72
6.2 Egaliseurs lineaires . . . . . . . . . . . . . . . . . . . . . . . . 75
6.3 Egaliseurs non lineaires à base de filtre . . . . . . . . . . . . . 77
6.4 Autres Egaliseurs non lineaires . . . . . . . . . . . . . . . . . 82
6.5 Egalisation du signal SC-FDMA . . . . . . . . . . . . . . . . 84
7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
48 Etat de l’art sur l’égalisation des canaux de communication
1 Introduction
Dans tout système de communication, l’émetteur et le récepteur communiquent à
travers un canal appelé communément canal de transmission. Ce dernier peut être filaire
dans certains cas comme les réseaux fixes (ADSL par exemple), ou le milieu environnant
comme c’est le cas dans les réseaux mobiles, ou enfin un mélange des deux comme on
peut le constater de nos jours avec la convergence des réseaux fixe et mobile. Le signal
capté par un récepteur n’est en général pas identique au signal émis. Celui-ci a pu subir
des déformations qui peuvent être des échos, une atténuation ou même une disparition
de certaines composantes fréquentielles du signal. D’autres signaux parasites peuvent
être captés lors de la transmission qui viennent s’ajouter au message émis comme du
bruit. On peut se faire une idée assez juste de ces perturbations en regardant l’image
d’un récepteur de télévision analogique de mauvaise qualité : on peut y voir l’effet de
neige qui est dû au bruit additif capté, la déformation des images due aux différents
échos du signal émis.
Dans tous les cas de figure, le canal de transmission apporte une perturbation plus
ou moins importante au message émis qui peut être classée selon sa source : On peut
distinguer les perturbations dues au filtrage par le canal (les échos) ; les perturbations
dues au bruit additif du canal (les signaux parasites) souvent considérées comme gaus-
siennes, et les perturbations que nous ne traiterons pas dans ce chapitre qui sont dues
aux non-linéarités engendrées par les différents éléments de la chaîne de transmission
dont les amplificateurs de puissance, les mélangeurs, les oscillateurs etc... La présence
de toutes ses perturbations ne permet pas de retrouver intrinsèquement le message émis
sans aucun traitement préalable du signal à la réception. C’est là qu’interviennent les
techniques d’égalisations et d’estimations de canal qui ont pour but de déterminer les
perturbations du canal afin de les supprimer ou au moins de limiter leur impact sur le
signal émis. Ces systèmes sont en effet dimensionnés pour optimiser certains critères de
qualité de transmission, grâce à des outils mathématiques très puissants et des algo-
rithmes sophistiqués.
Dans ce chapitre, la section 2 présente différents modèles de canaux de communica-

tion, la section 3 revient sur le principe même de fonctionnement des égaliseurs. Quand
aux Section 4, 5, 6 ils traitent respectivement des critères classiques d’égalisation de
canal rencontrés dans la littérature, des algorithmes qui mettent en œuvre ces critères
ainsi que les architectures qui leurs sont dédiées.
2 Modèles de canaux
Dans toute la suite, nous nous focalisons uniquement sur les canaux de transmission
des systèmes de communication sans fil : Il s’agit ici de l’espace environnant qui est le
milieu de propagation des ondes radio.
Le signal émis par un utilisateur, dans le milieu environnant arrive au récepteur
en ayant subi plusieurs réflexions et difractions suivant les obstacles rencontrés lors la
propagation. On récupère ainsi au niveau récepteur plusieurs versions du signal émis
2 Modèles de canaux 49
Trajet secondaire
Arbre
Tr
aj
et
Tra
se
jet
co
Di
nd
r ec
ai
t
re
Arbre
Station de base
Figure 2.1 – Propagations dans l’espace
avec des amplitudes et des phases différentes et avec des retards plus ou moins espacés,
Figure 2.1. Le milieu environnant étant le même pour tous les utilisateurs, on peut éga-
lement capter au niveau récepteur des signaux d’autres utilisateurs qui seront considérés
comme une perturbation pour le signal considéré. Si le signal issu de la source est noté
s(t), le signal reçu au niveau récepteur sera donné par l’équation :
∑
r (t) = 𝛼n (t)s [t − 𝜏n (t)] + w (t) (2.1)
n
Où, 𝛼n (t) représente l’atténuation et la phase du n iem écho en fonction du temps

et 𝜏n (t) le délai de propagation associé. w (t) constitue la somme des différents signaux
parasites qui peut être considérée comme un bruit blanc gaussien additif.
Au regard de cette équation, le signal reçu peut être vu comme la réponse au signal
émis s(t) par un filtre h(t) défini par sa réponse impulsionnelle donnée ci-dessous :
∑
h(t) = 𝛼n (t)𝛿 [t − 𝜏n (t)] + w (t) (2.2)
n
On peut ainsi écrire la relation (2.3), permettant de modéliser le phénomène de la

propagation comme indiqué sur la Figure 2.2.
r (t) = h(t) ∗ s(t) + w (t) (2.3)

s (t ) h(t ) + r (t )
w(t )
Figure 2.2 – Modélisation de la propagation du signal dans le canal de transmission
La transformation h(t) est assimilable à un filtrage linéaire à réponse impulsionnelle

finie, variant au cours du temps. Le bruit w (t) sera toujours considéré comme un bruit
additif gaussien de puissance N0 .
La bande de cohérence Bc [41] du canal h(t) est définie comme étant la bande de fré-
quence sur laquelle on peut considérer constante la fonction de transfert du canal. Elle
est généralement caractérisée par les points à -3 dB. Bc est d’autant plus importante
que les retards entre les différents signaux reçus sont faibles. Un étalement important
de ces délais réduit considérablement la bande de cohérence du canal. Il faut noter que
la notion de sélectivité du canal « bande étroite ou large bande) »est relative à la notion
de bande de cohérence. En effet, plus la bande de cohérence est faible plus le canal sera
sélectif en fréquence.
Dans le domaine temporel, un autre moyen permettant de caractériser les fluctua-

tions du canal h(t) : Il s’agit du temps de cohérence Tc [41] [42]. C’est une grandeur
définie comme étant le temps pendant lequel le canal peut être considéré comme constant
dans le domaine temporel. Cette grandeur émane de la mesure de la variation de la fonc-
tion de correlation de h(t) entre deux intants t et t + 𝜏 , laquelle fonction correspond
au spectre doppler du canal ou encore à la transformée de Fourier inverse de la densite
spectrale de puissance de h(t). Il est intéressant de noter que les signaux qui sont plus
courts que le temps de cohérence du canal ne sont pas affectés par l’effet Doppler et
donc par la vitesse du mobile.
Trois modèles de canaux que nous étudierons en détails dans la suite, existent dans
la littérature à savoir : Les canaux de type SISO ou « Single Input Single Output »,
les canaux de type SIMO ou « Single Input Multiple Output »et les canaux de types
MIMO ou « Multiple Input Multiple Output ».
2.1 Canaux SISO, SIMO et MIMO

2.1.1 Les canaux SIMO
Lorsqu’une antenne unique est utilisée à l’émission et plusieurs autres à la réception,
le canal sera dit SIMO « Single Input Multiple Ouput », Fig. 2.3. Si M correspond au
nombre d’antennes à la réception, ce canal permet de recevoir M fois le message source
émis, altéré de façon différentes. Ainsi il apparaît une diversité spatiale, qui peut être
ntroduction
2 Modèles de canaux 51
rincipales techniques :
exploitée pour une meilleure estimation du canal. Ce type de canaux est donc plus
O : Single Input Single
simpleOutput Txde meilleuresCanal
à égaliser et offre performances au détriment
Rx de la complexité du
Pas intéressante récepteur qui augmente avec le nombre d’antennes utilisé.
MO : Single Input Multiple Output

Canal
…
La plus mature Tx Rx
Implémentation
SO : Multiple Input Multiple Output Figure 2.3 – Canal SIMO

Canal
…
Formation de faisceau, Tx Rx
Diversité, codage 2.1.2 Les canaux SISO
Le canal SISO peut être vu comme un cas particulier du canal SIMO avec une
MO : Multiple Input Multiple Output
seule antenne à l’émission ainsi qu’à la réception. Par ce fait même, il est plus difficile à
…
MISO Canal
…
égaliser par rapport au canal
Tx SIMO puisque le récepteur n’a pas
Rx à sa disposition le même
Transmission sur plusieurs canaux
degré de redondance du signal émis que dans le cas SIMO. Ainsi, si la perturbation du
canal est très forte sur le signal émis, l’égalisation s’avérera difficile : Il n’ya plus de
ntroduction diversité spatiale.
La figure 2.4 modélise bien ce type de canal.
Matthieu GAUTIER – MIMO 8
principales techniques :
SO : Single Input Single Output Tx Canal Rx
Pas intéressante
MO : Single Input Multiple Output Figure 2.4 – Canal SISO

Canal
…
La plus mature Tx Rx
Implémentation
2.1.3 Les canaux MIMO
Les transmissions MIMO, Fig. 2.5, connaissent un essor important ces dernières
SO : Multiple Input Multiple Output
années avec par exemple le système Wifi de la norme 802.11n. Ils offrent une grande
Canal
…
Formation de faisceau, Tx
diversité spatiale et fréqentielle[43] et permettent à la foisRxd’augmenter le débit de
Diversité, codage transmission de façon proportionnelle au nombre d’antennes à l’émission. En effet, on
peut faire fonctionner les antennes à l’émission sur des porteuses différentes cela permet
donc de récupérer de la diversité fréquentielle à la réception. De plus la multiplicité
MO : Multiple Input du
Multiple Output
nombre d’antennes à la réception permet de récupérer naturellement de la diversité
…
MISO Canal
…
spatiale si ces antennes sont

Tx convenablement espacées. Le fluxRx de donnés à l’émission est
Transmission sur plusieurs
partagé canaux
entre les différentes antennes avant d’être envoyé dans le canal. Les antennes
fonctionnant en parallèle, le débit se trouve donc augmenté proportionnellement au
nombre d’antennes.

ngle Input Multiple Output
Canal
…
mature Tx Rx
entation
ltiple Input Multiple Output

Canal
…
on de faisceau,
52 EtatTx Rx de communication
de l’art sur l’égalisation des canaux
é, codage
ultiple Input Multiple Output
…
Canal
…
Tx Rx
ission sur plusieurs canaux
Modèles de canaux 15
Modèles de canaux 15
Figure 2.5 – Canal MIMO

2.2 Quelques Exemples de canaux

Tout au long de nos travaux Fig. plusieurs canaux
2.2 – Canal SISO.de transmission plus ou moins sévère
ont été utilisés pour tester les différents
Fig. 2.2 – Canal SISO. égaliseurs développés. Dans cette partie, nous
2.1.2 Quelques Exemples de canaux
présentons quelques canaux rencontrés dans la littérature. Toutefois il faut noter que
ses canaux
2.1.2 Quelques sont
Tout ceux
Exemples
au long de utilisés dans plusieurs
de travaux
nos canaux le cadrecanaux
d’un de système SISOplus
transmission dont nous nous
ou moins sé- sommes
restreint vère ont été
dansde toute
Tout au long utilisé pour
notre
nos travaux tester les différents
étude.canaux
plusieurs égaliseurs
Unededescription utilisés.
transmission plusgraphiqueDans
ou moins decette partie, nous
sé- ses canaux (Réponse
vère présentons
ont été quelques
utiliséetpour tester canaux
les rencontrés
différents égaliseursdans la litérature.
utilisés. Dans cetteToute foisnous
partie, il faut noter que
fréquentielle pôles et zéros) sont donnés par la suite.
présentonsses canauxcanaux
quelques sont ceux utilisésdans
rencontrés danslalelitérature.
cadre d’un système
Toute fois ilSISO
faut dont
noternous
que nous sommes
– Canal
ses canaux restreintdedans
sont ceux Proakis1
toute
utilisés dans : leC’est
notre un
étude.
cadre d’un canal
Une simple
description
système SISO dontàgraphique
11nouscoefficients
de sommes
nous ayant(Réponse
ses canaux 10 zéros dont 5 à
restreintl’intérieur
fréquentielle
dans du cercle
et zeros)
toute notre étude.sont unité.
Une donnés Sapar
descriptionréponse
la suite. impulsionnelle
graphique ne présente pas d’évanouis-
de ses canaux (Réponse
fréquentielle
sement – zeros)
et Canal de Proakis1
sont
sévère. donnés par: C’est
Sa transformée un canal
la suite. en zsimple
non ànormalisée
11 coefficientestayant 10 zeros
donnée pardont
: 5
– Canal de Proakis1 : C’est
à l’intérieur un canal
du cercle simple réponse
unité.Sa à 11 coefficient ayant 10ne
impulsionnelle zeros dont 5pas d’évanouis-
présente
à l’intérieur du cercle
sement unité.Sa
sévère. réponse impulsionnelle
Sa transformée ne présenteest
en z non normalisée pasdonnée
d’évanouis-
par :
sement sévère. Sa transformée en 2z non normalisée
3 est4 donnée par
5 : 6 8 9
H (z ) H== 4 −45z
(z ) == + +7z7z 2−
− 5z 21z 3 −−50z
− 21z 50z
4 + 572z
+ 72z + 36z+
6 36z 8 + 21z + 7z 10 (2.4)
+103z (2.3)
+ 21z + 3z 9 + 7z
H (z ) == 4 − 5z + 7z 2 − 21z 3 − 50z 4 + 72z 5 + 36z 6 + 21z 8 + 3z 9 + 7z 10 (2.3)
Amplitude de la réponse en fréquence

2
Amplitude de la réponse en fréquence 2
2 Canal de2 Proakis1
1 Canal de Proakis1 Cercle unité
1.5 Cercle unité
1 Zéros du canal de proakis1
1.5
Zéros du canal de proakis1
0
0 1
1
−1
Amplitude en (dB)
−1 0.5
Amplitude en (dB)
0.5
−2
−2
0
0
−3
−3
−0.5 −0.5
−4 −4
−1 −1
−5 −5
−6 −6 −1.5 −1.5
−7 −7 −2 −2
0 0.2 0 0.4 0.2 0.6 0.4 0.8 0.6 1 0.8−1.5 1 −1 −1.5−0.5 −1 0 0.5
−0.5 01 0.5 1
Fréquences Normalisées
Fig. 2.3 – Proakis1

Figure 2.6 – Proakis1
– –Canal
Canal de Proakis2
: C’est un: canal
C’est qui,un canalson qui présente
son tès un
peu fort évanouissement
de coefficients, en fin de
de Proakis2 malgré tès peu nombre de coefficients,
– Canal de Proakis2 : C’est un canal qui, malgré nombre
présente un fort évanouissement en fin de bande qui le rend difficile à égaliser. Ce
bandeprésente
qui le un rend
fortdifficile à égaliser.
évanouissement Cebande
en fin de canalquisera utilisé
le rend pour
difficile
canal sera utilisé pour fixer les limites de certains égaliseurs. Sa transformée en z
fixer Ce
à égaliser. les limites de
certains
non
canal est
sera utilisé Sa
normaliséeégaliseurs.
donnée par
pour fixer les limites de certains égaliseurs. Sa transformée en z
: transformée en z non normalisée est donnée par :
non normalisée est donnée par :
H (z ) = 407 + 815z + 407z 2 (2.4)
H
H (z
(z))==407
407 + 815z
+ 815z +2407z 2
+ 407z (2.4) (2.5)
Les coefficients étant symétriques le canal a autant de zéros à l’intérieur qu’à l’ex-
térieur du cercle unité.
2 Modèles deLescanaux
coefficients étant symétriques le canal a autant de zéros à l’intérieur qu’à l’ex-
Les coefficients étant symétriques le canal a autant de zéros à l’intérieur qu’à l’ex-
53
16 16du cercle
térieur Etat de l’art
du cercle sur l’égalisation
Etat
unité. des canaux de
de l’art sur l’égalisation descommunication
canaux de communication
térieur unité.
Les coefficients
Lesdeétant symétriques
coefficients Amplitudeétant leencanal
fréquence a autant
symétriques
de la réponse de zéros
le canal à l’intérieur
a autant de zéros qu’à l’ex- qu’à l’ex-
à l’intérieur
Amplitude la réponse en fréquence
térieur du cercle
térieur unité.
du cercle unité.
5 1
5 1
Canal de Proakis2 0.8
Canal de Proakis2 0.8
0
0
0.6
0.6
−5 −5 de la réponseAmplitude
Amplitude en fréquence
de la réponse en fréquence 0.4 0.4
5 5 1 1
Amplitude en (dB)
Amplitude en (dB)
0.2 0.2 Cercle unité Cercle unité

−10 −10 Canal de Proakis2 0.8
Canal de Proakis2 0.8 les zeros du canal de proakis2 les zeros du canal de proakis2
0 0 0
0
0.6 0.6
−15 −15
−0.2 −0.2
−5 −5 0.4 0.4
−0.4 −0.4
Amplitude en (dB)
−20 −20
Amplitude en (dB)
0.2 0.2 Cercle unité Cercle unité

−10 −10 −0.6 −0.6 les zeros du canal de proakis2
les zeros du canal de proakis2
−25 −25 0 0
−0.8 −0.8
−15 −15 −0.2 −0.2
−30 −30 −1 −1
0 0.2 0 0.4 0.6
0.2 0.8
0.4 1
0.6 −1.5
0.8 −1 1 −0.5
−1.5 0
−1 0.5
−0.5 1 0 0.5 1
−20 Fréquences Normalisées Fréquences Normalisées −0.4 −0.4
−20
−0.6 −0.6
−25 −25
Fig.
−0.8 2.4 – Proakis2
−0.8
−30
0 0.2 −30 Figure 2.7 – Proakis2
−1 −1 −0.5
0 0.4 0.2 0.6 0.4 0.8 0.6 1 0.8−1.5 1 −1 −1.5 −1 0 −0.5 0.5 0 1 0.5 1
Fréquences NormaliséesFréquences Normalisées
– Canal de Proakis3
– Canal: C’est celui le :plus
de Proakis3 difficile
C’est desplus
celui le 3 canaux dedes
difficile proakis. Il pésentre
3 canaux de proakis. Il pésentre
deux évanouissement fréquentiel profonds en milieux de bande. Sa transformée en transformée en
– z Canal de Proakis3
deux
non normalisée est donnée
: C’est
évanouissement
Fig.
par :
2.4le plus
fréquentiel
– Proakis2
Fig. difficile
profonds
2.4 – des
en
Proakis2 3 canaux
milieux de deSaProakis.
bande. Il présente
deux
z non normalisée est donnée par :
évanouissements fréquentiels profonds en milieux de bande. Sa transformée en z
H (z ) = 227 + 460z + 688z 2 + 460z 3 + 227z 2
4
3 (2.5)
4
nondenormalisée estcelui
donnéeH (z ) par
= 227 : plus
+ 460z + 688z + 460z + 227z (2.5)
– Canal Proakis3 : C’est
– Canal de Proakis3 :leC’est
plus celui
difficile
le des 3difficile
canauxdes de 3proakis.
canauxIldepésentre
proakis. Il pésentre
deux évanouissement
deux
Amplitude
fréquentiel profonds
de laévanouissement
réponse en fréquence fréquentiel en profonds
milieux deenbande. Sade
milieux transformée en
bande. Sa transformée en
z5 non normalisée
z 5nonest donnée par
est :donnée par :
Amplitude de la réponse en fréquence 1
normalisée 2 3 4
0
Canal de Proakis3 H (z ) = 227 + 460z + 688z + 460z + 227z
1
Canal de Proakis3
0.8 (2.6)
2 3 4
H (z ) = 227 H + 460z 3 + 227z 4 (2.5)
0.8
0
+ (z
460z
) =+227
688z
0.6 + 460z
+ 460z + 688z+ 2227z (2.5)
−5 0.6
−5 0.4
Amplitude en (dB)
−10 0.4
0.2
Amplitude en (dB)
−10 de la réponse en fréquence

Amplitude
Amplitude de la réponse en fréquence 0.2
Cercle unité
5−15 0 1
5 1
Zéros du canal de proakis3 Cercle unité
−15 0
Canal de Proakis3 −0.2 0.8 Zéros du canal de proakis3
0−20 Canal de Proakis3 0.8
0 −0.2
−20 −0.4 0.6
0.6
−5−25 −0.4
−5 −0.6 0.4
−25 0.4
−30
Amplitude en (dB)
−10 −0.8
−0.6
Amplitude en (dB)
−10 0.2
−30 0.2
−35 −1 −0.8 unité
Cercle
−15 0 0.2 0.4 0.6 0.8 1 −1 0 −0.5 0 Cercle
0.5 unité 1
−15 Zéros
0 du canal de proakis3
−35 −1 Zéros du canal de proakis3
0 0.2 0.4 0.6 0.8 1 −1 −0.5 0 0.5 1
−0.2
−20 Fréquences Normalisées −0.2
−20
−0.4
−25
−25
Fig. 2.5 – Proakis3 −0.4
Fig.
−0.6
2.5 – Proakis3
−0.6
−30
−30 −0.8
−0.8
−35
– Canal de Macchi : Malgré ses coefficients réels, −1
la phase n’est pas linéaire et deux
0.2 −35 −0.5 −1
évanouissements sont à Macchi
déplorer :en milieuses
de bande.1 Les trois
−1 trajets de puissance
0 0.4 0.6 0.8 1 −1 0 0.5 1
–0Fréquences
Canal 0.2de
Normalisées 0.4 Malgré
0.6
0.8coefficients réels, la phase
−0.5 n’est pas
0 linéaire0.5et deux 1
évanouissements sont à déplorer en milieu de bande. Les trois trajets de puissance

Figure 2.8 – Proakis3
– Canal de Macchi
– Canal: de
Malgré ses :coefficients
Macchi Malgré ses réels, la phase
coefficients n’est
réels, la pas linéaire
phase n’est et
pasdeux
linéaire et deux
évanouissements sont à déplorer
évanouissements sontenà milieu de en
déplorer bande. Les
milieu detrois trajets
bande. de puissance
Les trois trajets de puissance
– Canal de Macchi : Malgré ses coefficients réels, sa phase n’est pas linéaire et deux
évanouissements sont à déplorer en milieu de bande. Les trois trajets de puissance
quasi identiques rendent son égalisation parfois difficile. Sa transformée en z non
normalisée est donnée par :
H (z ) = 8264 − 1653z + 8512z 2 + 1636z 3 + 8100z 4 (2.7)

Critères d’Egalisation : Fonction de coût 17
Critères d’Egalisation : Fonction de coût 17
quasi identiques rendent son égalisation parfois difficile. Sa transformée en z non

quasi identiques rendent
normalisée estson égalisation
donnée par : parfois difficile. Sa transformée en z non
normalisée est donnée par :
54 Etat de H (z l’art sur
) = 8264 l’égalisation
− 1653z des3 +canaux
+ 8512z 2 + 1636z 8100z 4 de communication
(2.6)
H (z ) = 8264 − 1653z + 8512z 2 + 1636z 3 + 8100z 4 (2.6)
Amplitude de la réponse en fréquence

Amplitude
4 de la réponse en fréquence 1
4 Canal 1de Macchi
Canal de Macchi 0.8
0.8
2
2 0.6
0.6
0.4 Cercle unité
0 0.4 Cercle unité
Zéros du canal de Macchi
Amplitude en (dB)
0
Zéros du canal de Macchi
Amplitude en (dB)
0.2
0.2
−2 0
−2 0
−0.2
−0.2
−4
−4 −0.4
−0.4
−0.6 −0.6
−6 −6
−0.8 −0.8
−8 −8 −1 −1
0 0.2 0 0.4 0.2 0.6 0.4 0.8 0.6 1 0.8 −1 1 −0.5 −1 0 −0.5 0.5 0 1 0.5 1
Fig. 2.6 – Macchi

Fig. 2.6 – Macchi
Figure 2.9 – Macchi
– Canal Vehicular A et Canal pedestrian A : Le canal vehicular A est un canal à

2.2 Critères
2.2 mémoired’Egalisation
Critères : Fonction
d’Egalisation de coût de coût
: Fonction
grande possédant plusieurs évanouissements difficile à égaliser [44] [45].
Il s’agit
La plupart du d’unelesdumodélisation
La temps,
plupart perturbations duesassez
au canal
temps, les perturbations fiable ducanal
canal
de transmission
dues au depermettent
ne transmission
de transmission dans un milieu
ne permettent
pas de retrouver
pas deexactement
retrouver au niveau duaurécepteur
exactement niveau le message
du récepteur émis.
le Le rôle émis.
message de l’égali-
Le rôle de l’égali-
urbain. Contrairement au Vehicular A, le canal Pedestrian A possède moins de co-
seur est de seur
choisir
estparmi tous les
de choisir messages
parmi tous lespossibles
messages le meilleur
possiblesd’entre eux. Par
le meilleur consé-
d’entre eux. Par consé-
quent, ceefficents
choix fixeceet
quent, un est
choix
assez
classement
fixe un de
plat
ces [44].
messages
classement
Cesdudeux
de ces meilleur
messages
types
au
dupire
deselon
meilleur
canaux
un pire
au
seront
certain les principalement
selon un certain
utilisés
critère qui critère qui permet donc de définir clairement la notion de meilleure séquence en fonction égaliseurs
permet dans
donc de ce document
définir clairement pour
la notiontester
de les
meilleureperformances
séquence en des
fonction différents
des données disponibles
et des
estimateurs au récepteur.
de canal
données disponibles auCe critère
que estCe
nous
récepteur. aussi appelé
proposons.
critère est dans laappelé
aussiLes littérature
dans fonc-
Figures la 2.10 et 2.11
littérature fonc- donnent le
tion coût. Trouver
tion un Trouver
coût. égaliseurunrevient à minimiser
égaliseur revient àlaminimiser
fonction côut
la que l’oncôut
fonction s’estque
fixé l’on s’est fixé
spectre
afin de déterminer et les zeros
à partir du signalde ces
reçu canaux.
afin de déterminer à partir du lasignal
meilleur
reçuséquense émise.
la meilleur Plusieurs
séquense critères
émise. Plusieurs critères
– définis.
ont été Canal Le
ont étéGaussien
critère
définis.de et
Lela canal de de
probabilité
critère Rayleigh
la d’erreur
probabilité bit est: sûrement
Repprenons
d’erreur bit est l’équation
le critère
sûrement le plus 2.1le donnant
le critère plus l’exp-
pertinentpression
dans un système de communication denumérique. Cependant, il est difficile
par filcà est
pertinentdu signal
dans reçu rde
un système la Section2.
(t)communication En notant
numérique. Cependant, la fréquence
difficile à porteuse
manipuler voire même à calculer de façon analytique pour cause de grande complexité.
dumanipuler
Mais ce derniersignal émis,
est souvent
àpeut
r (t)lors
voire même
utilisé de lase
calculer réécrire
de enperformances
façon analytique
comparaison des fonction
pour causedudessignal
de grande
égaliseurs en complexité.
bande de base sb (t)
Mais ce dernier est souvent utilisé lors de la comparaison des performances des égaliseurs
comme
dans le cadre suit :
des simulations. Dans cette partie nous présentons les quatres critères les
dans le cadre des simulations. Dans cette partie nous présentons les quatres critères les
plus couramment utilisés.
plus couramment utilisés. ∑
r (t) = ℜ{ 𝛼n (t)sb [t − 𝜏n (t)] e j 2𝜋fc (t−𝜏n (t)) + w (t)} (2.8)
2.2.1 Critère du Maximum à Postériori
2.2.1 Critère du Maximum
n à Postériori
Le critère du maximum a posteriori (MAP) est sûrement le meilleur des critères
Laquatre
parmis les représentation
Le critère en dans
duverons
que nous bande
maximum departie,
acette base(MAP)
posteriori du signal
d’après est reçuforte
sûrement
sa relation sera donnée
la des par
le meilleur
avec :
critères
parmis les quatre que nous verons dans cette partie, d’après sa relation forte avec la
∑
rb (t) = 𝛼n (t)e −j 2𝜋fc 𝜏n (t) sb [t − 𝜏n (t)] + w (t)
n
∑
= 𝛼n (t)e −j 𝜃n (t) sb [t − 𝜏n (t)] + w (t)
n
Où 𝜃n (t) = 2𝜋fc 𝜏n (t) correspond à la phase du n eme trajet.

Au regard de cette nouvelle expression la réponse impulsionnelle du canal de
transmission en bande de base hb (t) peut se résumer en 2.9.
∑
hb (t) = 𝛼n (t)e −j 𝜃n (t) + w (t) (2.9)
n
Lorsqu’aucun retard n’est observé, le canal obtenu se résume au simple bruit

additif gaussien w (t). Ce type de canal est communément appelé canal gaussien.
Par contre, lorsque le nombre de trajets n est très important, le théorème de
la limite centrale nous conduit à considéré hb (t) comme une variable aléatoire
3 Principe de l’égalisation 55
-5
-10
Amplitude du Canal
-15
(dB)
-20
Pedestrian A
Vehicular A
-25
-30
-35
0 0.2 0.4 0.6 0.8 1
Fréquences Normalisées à Fe
Figure 2.10 – Représentation des spectres des canaux suivants :PedestrianA

−9.7 −22.8 −1 −9 −10 −15 −20
[1 10 20 10 20 ] et VéhicularA ([1 0 10 20 0 10 20 10 20 0 0 0 10 20 0 0 0 10 20 ])
gaussienne que nous nommerons par la suite Z . Dans le document [41], il est
montré que les phases 𝜃n (t) sont identiquement distribuées et que la norme d’une
telle variable aléatoire possède une densité de probabilité définie par :
Z −Z22
p(∣Z ∣) = e 2𝜎 , Z ≻ 0 (2.10)
𝜎2
Où 𝜎 2 représente la variance de Z . Notons que la loi donnée en 2.10 est par
définition celle d’une variable aléatoire de Rayleigh. Ainsi, lorsqu’un canal de
transmission est composé d’un grand nombre de trajets de temps de propagation
quasi-identiques, ce canal modélisera un canal de rayleigh.
Lorsqu’un mobile est en déplacement, les fréquences du signal émis sont modifiés
par effet doppler. La dilation des fréquences due au doppler est donnée par la
relation 2.11.
v
fdoppler = finit . .cos(𝛼) (2.11)
c
3 Principe de l’égalisation
Dans cette partie du chapitre, il est question même du principe de fonctionne-
ment d’un égaliseur. Dans la plupart des cas, les perturbations dues au canal de
3
Cercle Unité
Pedestrian A
Vehicular A
1
Img
-1
-2
-3
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5
Réel
Figure 2.11 – Représentation des Zéros des canaux suivants :PedestrianA

−9.7 −22.8 −1 −9 −10 −15 −20
[1 10 20 10 20 ] et VéhicularA ([1 0 10 20 0 10 20 10 20 0 0 0 10 20 0 0 0 10 20 ])
transmission ne permettent pas de retrouver exactement au niveau du récepteur le

message émis. Le rôle de l’égaliseur est de s’affranchir de toutes ces perturbations
afin de rendre possible une bonne détection. Plusieurs techniques d’égalisations
classiques existent dans la littérature mais toutes sont basées sur le même procédé
que nous décrirons dans la section 3.1. La section 3.2 donne une classification de
toutes les techniques rencontrées sans aucune prétention de notre part d’en fournir
une liste exhaustive. Cependant, les techniques d’égalisation sont dans la pluspart
des cas accompagnées d’une estimation de canal qui fera l’objet du dernier cha-
pitre de ce document. Il faut juste souligner que les techniques d’estimations de
canal sont très proches des techniques d’égalisations, par contre elles servent uni-
quement à reconstituer le canal proprement dit là où l’égalisation se charge de
l’inverser.
3.1 Les différentes étapes

Pour déterminer quelle structure utilisée pour l’égalisation du signal au niveau
récepteur, il y a trois étapes à franchir. Tout d’abord, il est impératif de se fixer
un critère de qualité de transmission que l’on souhaite réaliser. En effet, étant
donné qu’il est impossible de supprimer totalement toutes les perturbations du
canal à cause du caractère aléatoire qu’elles peuvent avoir, il serait donc judicieux
de choisir un modèle d’égaliseur capable d’optimiser particulièrement un certain
3 Principe de l’égalisation 57
critère de qualité de transmission. L’optimisation de ce critère, également appelé

fonction de coût dans la littérature, sera la fonction réalisée par l’égalisation. Si
on note par ℛ le signal reçu et par ℒ l’ensemble des connaissances partagées
entre l’émetteur et le récepteur, la fonction coût sera une simple relation entre
ces grandeurs comme indiquées en (2.12). Plusieurs critères classiques, qui seront
détaillés dans la suite (Confère chapitre 2, section 4), existent dans la littérature.
On peut citer entre autres le critère du maximum de vraisemblance MV, le critère
du Minimum d’erreur quadratique, MEQM. etc... Par contre il est à noter que
la liste fournie dans ce chapitre n’est pas exhaustive chacun pouvant définir son
propre critère selon ses besoins en terme de qualité de la transmission. Mais, parmi
tous les critères que l’on peut rencontrer, le critère de Probabilité d’Erreur Bit
est certainement le meilleur. Son rôle est de déterminer à partir d’un bit reçu le
bit le plus probable émis. Cela nécessite des structures très complexe à mettre
en œuvre ce qui le rend moins pratique et inutilisable dans les récepteurs. Il sert
surtout dans les simulations comme une référence pour les différents critères.
𝒥 = ℱ(ℛ, ℒ) (2.12)
La deuxième étape après le choix du critère, est la détermination du moyen utilisé
pour l’optimisation du critère (Confère chapitre 2, section 5). La théorie de l’opti-
misation offre là aussi un choix varié d’algorithmes : on peut citer par exemple les
algorithmes classiques du gradient, de Viterbi etc... Le choix de ces algorithmes
est intrinsèquement lié au choix du critère. L’algorithme de Viterbi par exemple
est appliqué à un critère du maximum de vraisemblance, alors que les algorithmes
du gradient sont quand à eux rattachés aux critères linéaires tel que le Minimum
d’Erreur Quadratique Moyen.
Enfin la dernière étape consiste au choix de l’architecture même de l’égaliseur

(Confère chapitre 2, section 6). Ce choix est déterminé à la fois par le critère et
l’algorithme d’optimisation utilisé pour l’égalisation. Deux catégories d’architec-
ture existent dans la littérature. On a des architectures de type linéaire construite
à base de filtres uniquement, et des architectures de type non-linéaire. Pour cette
dernière catégorie, on peut distinguer des structures à base de filtre mais ayant
un comportement non linéaire comme par exemple les architectures avec retour
de décision (confère chapitre 2, section 6.3), mais également des architectures
non-linéaire comme le Treillis.
3.2 Classification des Egaliseurs

Pour égaliser un signal, il est nécessaire d’avoir à sa disposition deux éléments
essentiels : Le signal reçu au niveau récepteur, et des informations partagées entre
émetteur et récepteur (voir l’équation 2.12) qui peuvent être tout ou une partie
du signal émis ou également des statistiques d’ordre supérieur du signal comme
la moyenne la variance et les moments d’ordre 2 et 3 par exemple. Pour intégrer
les informations partagées entre émetteur et récepteur dans le processus d’égali-
sation, trois modes existent : Le mode dit supervisé ou Data-Aided (DA), le mode
autodidacte ou aveugle ou encore Non-Data-Aided (NDA) et le mode avec retour
de décision ou Decision Directed (DD). Dans la catégorie supervisée (DA) une
partie ou tout du signal émis est à priori connue du récepteur et l’égalisation est
uniquement basée sur ces données. En effet l’optimisation de la fonction de coût
se fera uniquement pendant la réception du signal connu. Pour les données non
connues par le récepteur, l’égaliseur n’est pas modifié. Dans ce mode supervisé
on retrouve la technique d’égalisation par préambule qui consiste à insérer au dé-
but de chaque trame à émettre une séquence de données qui sera connue par le
récepteur. L’optimisation se fera ainsi sur chaque début de trame. On retrouve
également dans le mode Data-Aided (DA), la technique d’égalisation par pilotes
répartis, surtout utilisée pour les modulations multi-porteuses. Elle consiste à pla-
cer dans certains endroits de la trame à émettre, des symboles de référence connus
du récepteur qui permettent de retrouver la valeur du canal sur certaines compo-
santes temps-fréquence du signal. Ce mode de fonctionnement présente l’avantage
de converger vite vers la valeur optimale du critère utilisé, et également d’avoir
une complexité raisonnable. Par contre le principal inconvénient de ce processus
est la diminution du débit utile au profit des données de références qui est sou-
vent très handicapant surtout lorsque nous sommes en présence de canal difficile
à égaliser qui nécessite un grand nombre de données de références.
Quant à la catégorie aveugle (NDA), aucune information à priori du signal émis et
du canal est supposée connue du récepteur, sauf éventuellement leurs statistiques
d’ordre supérieur. Une référence dans ce domaine est l’algorithme d’égalisation à
Module Contant, le CMA de Godard 1980 [46]. Une autre technique le Constant
Norm Algorithm (CNA) plus générale qui embrasse la même idée est décrite dans
l’article [47]. Dans le mode de fonctionnement aveugle, les égaliseurs sont généra-
lement plus complexes à mettre en œuvre et convergent lentement vers la valeur
optimale de la fonction de coût mais ils ont un intérêt majeur qui est la non
dégradation du débit utile du signal transmis.
Pour éviter une perte en débit utile du signal et en même temps obtenir des
convergences assez rapide, le mode d’égalisation par Retour de décision (DD) est
souvent utilisé. Il s’agit par exemple de la technique d’égalisation DD-DFE ou
(Decision directed DFE) qui réutilise le signal déjà égalisé à l’instant t − 𝛼 comme
signal de référence pour supprimer l’interférence entre symboles des signaux reçu
de l’instant t. Mais on ne gagne pas sur tous les tableaux. L’inconvénient majeur
de ce processus réside à deux niveaux. La prise en compte des symboles détec-
tés complexifie la structure de l’égaliseur de plus lorsqu’une erreur de détection
est décelée elle se propage sur toute les séquences reçues et le critère utilisé ne
convergerait plus.
4 Critères classiques d’Egalisation : Fonction de coût 59
4 Critères classiques d’Egalisation : Fonction de coût

Comme nous l’avons déjà vu dans la section précédente, le rôle d’un égaliseur est
de supprimer les perturbations du canal sur le signal transmis afin de réduire l’In-
terférence Entre Symbole (IES). Pour cela on se fixe un certain critère ou fonction
de coût à la sortie de l’égaliseur, que l’on optimise afin d’obtenir le message le
plus proche possible du message transmis. Plusieurs critères classiques existent
dans la littérature. Le critère de la probabilité d’erreur bit est sûrement le critère
le plus pertinent dans un système de communication numérique. Cependant, il
est difficile à manipuler voire même à calculer de façon analytique pour cause
de grande complexité. Ce dernier est souvent utilisé lors de la comparaison des
performances des égaliseurs dans le cadre des simulations. Dans cette partie nous
présentons les quatre critères les plus couramment utilisés.
4.1 Critère du Maximum à Postériori MAP

Le critère du maximum à posteriori (MAP) est sûrement le meilleur des critères
parmi les quatre que nous verrons dans cette partie, d’après sa relation forte avec
la probabilité d’erreur par bit. Il a été développé par Abend et Frichman en 1970
[48] et nécessite la connaissance de la densité de probabilité du bruit du canal. Le
critère du MAP est optimal au sens de la minimisation de la probabilité d’erreur
symbole. Pour illustrer ce critère, supposons que nous désirons détecter le symbole
sk émis à l’instant k , et considérons la séquence reçue r1 , r2 , ..., rk +N , où le retard
N choisi est supérieur à la dispersion du canal. L’optimisation du critère MAP
consiste à trouver le symbole sk émis, dans l’alphabet des M symboles possible du
signal, qui maximiserait la probabilité conditionnelle 𝒫r (sk = m ∣ r1 , r2 , ..., rk +N ) :
skMAP = argmax 𝒫r (sk = m ∣ r1 , r2 , ..., rk +N ) (2.13)

m∈M
En utilisant le théorème de Bayes[49], le critère du MAP revient à maximiser la

probabilité conditionnelle à sk comme suit :
𝒫r (r1 , r2 , ..., rk +N ∣ sk = m)𝒫r (sk = m)

𝒫r (sk = m ∣ r1 , r2 , ..., rk +N ) = (2.14)
𝒫r (r1 , r2 , ..., rk +N )
Le dénominateur de cette expression étant indépendant du symbole m de la
constellation, maximiser cette probabilité revient à considérer uniquement le nu-
mérateur de l’expression soit :
skMAP = argmax 𝒫r (r1 , r2 , ..., rk +N ∣ sk = m)𝒫r (sk = m) (2.15)

m∈M
Lorsque les symboles de la constellation sont supposés équiprobable, le terme
𝒫r (sk = m) pourra être simplifié dans l’équation (2.15).
On montre, voir [41], que la recherche des symboles skMAP de l’équation (2.15) se
fait de façon récursive suivant la formule générale :
skMAP = argmax 𝒫r (r1 , r2 , ..., rk +N ∣ sk = m)𝒫r (sk = m) (2.16)

m∈M
∑ ∑
= argmax ... 𝒫rk (sk +N , .., sk +1 , sk )
m∈M sk +N sk +1
Où Les probabilités 𝒫rk sont définit récursivement comme ci-dessous, D corres-

pondant à la mémoire du canal. :
𝒫rk (sk +N , .., sk +1 , sk ) = 𝒫r∑

(rk +N ∣ sk +N , .., sk +N −D )𝒫r (sk +N )
× 𝒫rk −1 (sk −1+N , .., sk , sk −1 )
sk −1
Ce critère même s’il donne de meilleur performances, est particulièrement difficile

à mettre en œuvre car il nécessite de tester tous les symboles de la constellation
du signal émis. Ainsi plus l’alphabet du signal est grand plus le processus est
complexe. L’architecture qui permet de réaliser cette égalisation n’est pas un filtre
car l’opération n’est pas linéaire.
4.2 Critère du Maximum de Vraissemblance MV

La critère du maximum de vraisemblance (MV) où Maximum Likelihood en an-
glais, consiste à choisir à partir de la séquence reçue, la séquence émise la plus
probable. Contrairement au critère du MAP qui maximise la vraissemblance au
sens des symboles émis, le critère du MV maximise la vraissemblance au sens de
toute la séquence émise afin de trouver celle qui ressemble le plus à la séquence
reçue. La principale différence entre ces deux critères se situe donc au niveau de
l’objet optimisé. Le critère du MV est donné en (2.17), où L est le nombre de
symboles de la séquence émise dont l’alphabet est donnée par ML .
{s1 , .., sL }MV = argmax 𝒫r (s1 = m1 , .., sL = mL ∣ r1 , .., rL ) (2.17)

{m1 ,..,mL }∈ML
En utilisant la loi de Bayes, et en considérant que les symboles sont équiprobable,

maximiser l’expression (2.17) revient à maximiser les probabilités conditionelle
𝒫r (r1 , .., rL ∣ s1 = m1 , .., sL = mL ) :
{s1 , .., sL }MV = argmax 𝒫r (r1 , .., rL ∣ s1 = m1 , .., sL = mL ) (2.18)

{m1 ,..,mL }∈ML
Le bruit additif du canal wk étant un bruit blanc et gaussien pour chaque symbole
rl reçu, indépendant de la source sl , la probabilité conditionnelle de l’équation
(2.18) peut s’expimer comme le produit des probabilités marginales indiqué ci-
dessous où D correspond à la dispersion du canal :
L
∏
𝒫r (r1 , .., rL ∣ s1 , .., sL ) = 𝒫r (rl ∣ sl , .., sl−D ) (2.19)
l=1
Le critère du MV reviendrait donc à maximiser chaque probabilité marginale

𝒫r (rl ∣ sl , .., sl−D ). L’équation (2.19) montre que le calcul de la séquence la plus
probable nécessite M L opérations. Ainsi plus la taille de la séquence reçue L et/ou
la taille de la constellation M devient grand, plus il devient difficile d’appliquer
ce critère. Heureusement, il existe des algorithmes qui permettent de réduire cette
complexité en ne caculant que les métriques des séquences les plus probable. Deux
cas de figures peuvent être considérés selon le fait que nous sommes en présence
ou en absence d’inteférences entre symboles.
En effet, lorsque nous sommes en absence d’interférence entre symbole, c’est-

à-dire lorsque D = 0, la probabilité conditionelle à {sl , .., sl−D }, de l’équation
(2.19), devient équivalente à la probabilité conditionnelle à sl (2.20). Le calcul
des métrique 𝒫r (rl ∣ sl ) ne nécessitant exactement que M opérations (M étant la
taille de la constellation du signal émis), la complexité globale du critère serait de
ML opérations au lieu de M L .
L
∏
𝒫r (r1 , .., rL ∣ s1 , .., sL ) = 𝒫r (rl ∣ sl ) (2.20)
l=1
D’autre part si l’on considère une dispersion non nulle du canal, on utilise générale-
ment l’algorithme de Viterbi qui permet de réduire les M L opérations en seulement
LM D+1 opérations [41]. En effet après avoir reçu D + 1 symboles {rD+1 , .., r1 } on
calcule les M D+1 métriques 𝒫r (r1 , .., rD+1 ∣ s1 , .., sD+1 ) correspondant aux états
{sD+1 , .., s1 } comme suit : Cette étape sera considérée comme la phase N∘ 1.
D+1
∏
𝒫r (r1 , .., rD+1 ∣ s1 , .., sD+1 ) = 𝒫r (rl ∣ sl , .., sl−D ) (2.21)
l=1
On subdivise ensuite les M D+1 séquences {sD+1 , .., s2 , s1 } en M D états {sD+1 , .., s2 }.
Chacun des états {sD+1 , .., s2 }, étant associé à M symboles possible s1 : C’est la
phase N∘ 2.
Dans la phase N∘ 3, à chaque état {sD+1 , .., s2 }, on sélectionne parmis les M

symboles possible s1 celui qui permet de maximiser la métrique 𝒫r (r1 , .., rD+1 ∣
s1 , .., sD+1 ) de l’équation (2.21). Les M − 1 autres symboles s1 sont abandonnés.
On se retrouve qu’avec les M D meilleurs séquences (appelé symboles survivant)
qui maximisent l’équation (2.21).
Lorsque l’on reçoit le symbole suivant rD+2 , les M D séquences survivantes de la
phase N∘ 3 sont étendue à M D+1 séquences {sD+2 , .., s2 , s1 }. On calcule la proba-
bilité conditionnelle 𝒫r (r1 , .., rD+2 ∣ s1 , .., sD+2 ) en réutilisant les anciennes mé-
triques calculées dans la phase N∘ 1 ainsi que la nouvelle métrique 𝒫r (rD+2 ∣
s2 , .., sD+2 ) comme suit :
D+2
∏
𝒫r (r1 , .., rD+2 ∣ s1 , .., sD+2 ) = 𝒫r (rl ∣ sl , .., sl−D ) (2.22)
l=1
= 𝒫r (r1 , .., rD+1 ∣ s1 , .., sD+1 ).𝒫r (rD+2 ∣ s2 , .., sD+2 )
On regroupe également comme dans la phase N∘ 2 les M D+1 séquences {sD+2 , .., s2 , s1 }
en M D états {sD+2 , .., s2 } chacun étant associé à M 2 couple {s1 , .., s2 }. Par la suite
comme dans la phase N∘ 3, recherche le couple qui permet de maximiser la mé-
trique donné dans l’équation (2.22). Les M 2 − 1 autre couple sont abandonné et
on se retrouve avec uniquement les M D meilleurs séquences.
On réitère ce processus lorsqu’un nouveau symbole arrive au niveau récepteur. De
façon général si l’on reçois le symbole rk on met en œuvre les différentes phase
décrite précédemment :
– Phase N∘ 1 : Calcul des différentes métriques en utilisant la relation de récurence

suivante : 𝒫r (r1 , .., rD+k ∣ s1 , .., sD+k ) =
𝒫r (r1 , .., rD+k −1 ∣ s1 , .., sD+k −1 ).𝒫r (rD+k ∣ sk , .., sD+k ) (2.23)
– Phase N∘ 2 : Subdivision des M D+k séquences {sD+k , .., s1 } en M D états

{sD+k , .., sk } chacun étant associé à un k-uplet {sk , .., s1 }.
– Phase N∘ 3 : A chaque état {sD+k , .., sk }, on sélectionne parmis les k-uplet sym-
boles possible {sk , .., s1 } celui qui permet de maximiser la métrique calculée
dans la Phase N∘ 1. Les M k − 1 autre k-uplet sont abandonnés et on a plus que
M D séquences survivant possible.
Cet algorithme nécessite donc M D+1 opérations à chaque symbole qui arrive au
niveau récepteur. Ainsi avec une séquence de L symboles la complexité sera de
LM D+1 .
4.3 Critère de la distorsion crête et critère du Zero-Forcing ZF

Le critère de la distorsion crête ou « Peak distorsion »en anglais, est le critère
par excellence qui permet de minimiser, à la sortie de l’égaliseur, les interférences
entre symboles induit par les multitrajets du canal. Pour illustrer cette technique,
notons par {qn } le filtre équivalent résultant de la cascade du filtre égaliseur
représenté par ses coefficients temporels {cn }, et du canal de transmission dont
la réponse impulsionnelle est donnée par {fn }. Désignons également par L, la
mémoire du canal. On peut écrire la relation suivante :
∞
∑
qn = cj fn−j (2.24)
j =−∞
Deux situations possible peuvent être considérées. D’abord considérons que le

filtre égaliseur soit un filtre à réponse impulsionnelle infinie. Dans ce cas, à chaque
instant d’échantillonnage kTe , la sortie de l’égaliseur sera donnée par l’équation
(2.25) où {sk } et {wj } représentent respectivement le symbole émis à l’instant
kTe et le bruit du canal à l’instant jTe :
∑ ∞
∑
ŝk = sk q0 + sn qk −n + wj ck −j (2.25)
n∕=k j =−∞
Dans cette équation, le premier terme de l’expression de droite représente le sym-

bole que l’on souhaite retrouver à un coefficient multiplicatif près ; le second terme
correspond à celui de l’interférence entre symboles « IES »résiduelle, et le dernier
terme la réponse de l’égaliseur au bruit du canal.
Le critère de la distorsion crête, noté ici par D (2.26), est défini à partir de l’ex-
pression de l’interférence entre symbole comme étant l’énergie du filtre équivalent
répartie sur les symboles interférant.
∑
D = ∣qk −n ∣ (2.26)
n∕=k
∑
= ∣qn ∣
n∕=0

∑ ∑ ∞

= cj fn−j

n∕=0 j =−∞
D est ainsi une fonction des coefficients du filtre égaliseur {cj }. Par conséquent
en adoptant un égaliseur ayant un nombre infini de coefficients, le système défini
par D = 0 possèdera une infinie d’inconnues {cj }, et une infinité d’équations
{qn = 0} : Le système sera donc un système déterminé. Il existerait ainsi une
solution à ce système c’est-à-dire un égaliseur dont les coefficients permettraient
d’annuler totalement le critère D, c’est à dire l’interférence entre symbole.
Les coefficients de cet égaliseur seront définis par :
∞
∑ {
1, n=0
qn = cj fn−j = (2.27)
0, n ∕= 0
j =−∞
En prenant la transformée en z de cette équation, on obtient l’égalité (2.28), où

C (z ), F (z ) et Q(z ) représentent respectivement les transformées en z de l’égali-
seur, du canal de transmission et du filtre équivalent résultant de leur casdade.
Q(z ) = C (z )F (z ) = 1 (2.28)
Le filtre égaliseur qui réalise cette condition sera donc obtenu en inversant direc-
tement la transformé en z de la réponse impulsionnelle du canal :
1
C (z ) = (2.29)
F (z )
Pratiquement, pour mettre en œuvre ce filtre au niveau récepteur, il y aurait deux
possibilités : Il suffirait d’inverser directement l’estimée du canal de transmission
lorsque nous sommes dans le domaine de fourier, ou bien d’adopter un filtre à
réponse impulsionnelle infini pour l’inversion de la réponse du canal lorsque nous
faisons un traitement dans le domaine temporel.
Cette technique est particulièrement connue sous le nom de critère ZF ou « Zero-
forcing »le but recherché se ramenant à une simple inversion de filtre. Le critère du
ZF permet donc de supprimer totalement l’interférence entre symbole IES induit
par le canal hormis le bruit additif. Ce critère est moins complexe à mettre en
œuvre que les critère MAP et MV. Il est suggéré dans beaucoup de systèmes de
transmission comme le wifi, wimax, le 3GPP LTE etc...).
Mais le critère ZF, même s’il est moins complexe à mettre en œuvre, nécessite
une bonne estimation du canal. De plus comme le bruit additif du canal n’est pas
pris en compte dans ce critère, le niveau de bruit peut augmenter à la sortie de
l’égaliseur du fait de l’inversion du canal ce qui peut entrainer une détérioration
des performances obtenues. Le critère du MEQM que nous aborderons dans la
section suivante permet de contourner ce problème en intégrant le bruit dans le
critère.
Maintenant supposons que le filtre égaliseur utilisé soit un filtre de réponse implu-
sionnelle finie de longeur 2K , c’est dire : cn = 0 pour ∣n∣ ≻ K . Dans ce cas de figure
nous savons que le filtre équivalent correspondant à la mise en cascade du filtre
égaliseur et du canal de transmission ne sera défini que pour −K ≤ n ≤ K +L−1,
les autres coefficients étant nuls. Le critère de la distorsion crête sera ainsi défini
par :
K∑
+L−1
D = ∣qn ∣ (2.30)
j =−K
n∕=0

+L−1
K∑ ∑∞

= cj fn−j

j =−K j =−∞
n∕=0
Cette fois ci le système défini par D = 0 n’a plus que 2K +1 inconnues {cj } contre
2K + L − 1 équations {qn = 0}(n = −K , .., K + L − 1). Ce système est donc un
système surdéterminé. Dans la plupart des cas il n’admet pas de solution unique
mais une multitude de solutions. Lucky a montré en 1965 [50] que ce critère est
néanmoins une fonction convexe possédant donc un minimum global. On peut
donc déterminer une solution rapprochée permettant de minimiser ce critère en
acceptant une certaine erreur résiduelle. Cette solution correspond à celle qui
annule completement les 2K + 1 première équations du système D = 0, c’est à

dire le filtre égaliseur qui forcent les parametres qn de sorte que :
{
1, n = 0
qn = (2.31)
0, 1 ⩽ ∣n∣ ⩽ K
Les autres coefficients qn definis pour 1 ⩽ ∣n∣ ⩽ K n’étant pas pris en compte,
ils constitueront l’erreur résiduelle obtenue. En pratique, le filtre égaliseur qui
satisfait au condition de l’équation (2.31) est déterminé grâce à un algorithme de
descente itératif donné en (2.32) qui correspond à l’agorithme du LMS détaillé au
paragaphe 5.1.1.
(k +1) (k )
cj = cj + 𝜇 𝜀k sk∗−j , j = −K , .., K (2.32)
Où 𝜇 représente le pas de descente de l’algorithme, et 𝜀k l’erreur entre la sortie
de l’égaliseur à l’intant kTe et le symbole estimé au même instant, 𝜀k = sk − ŝk .
Il est facile de prouver que le filtre optimal donné par ce algorithme permet de
satisfaire à la relation (2.31). En effet la valeur moyenne du produit 𝜀k sk∗−j est
donnée par :
E (𝜀k sk∗−j ) = E [(sk − ŝk )sk∗−j ] (2.33)

= E (sk sk∗−j ) − E (ŝk sk∗−j ), j = −K , .., K
Etant donné que les symboles émis {sk } sont noncorrelés et indépendants du bruit
du canal {wj } , on aura d’après l’équation (2.25) :
E (sk sk∗−j ) = 𝛿k ,k −j = 𝛿j ,0 et E (ŝk sk∗−j ) = qj
Ainsi on peut écrire l’expression (2.34) qui ne s’annule que lorsque qu’on a q0 = 1,
et qn = 0 pour 1 ≤ ∣n∣ ≤ K , ce qui correspond bien à l’équation (2.31).
E (𝜀k sk∗−j ) = 𝛿j ,0 − qj (2.34)
4.4 Critère du Minimum d’Erreur Quadratique Moyenne MEQM

Le critère du minimum d’erreur quadratique moyenne MEQM ou MMSE en an-
glais « Minimum Mean Square Error », est le critère par excellence qui donne
un filtre égaliseur capable de minimiser la valeur quadratique moyenne de l’er-
reur entre symbole émis et symbole égalisé à chaque instant kTe comme indiqué
ci-dessous :
𝜀k = sk − ŝk (2.35)
Le critère du MEQM est défini par (2.36), où 𝒥 est une fonction quadratique des
coefficients de l’égaliseur {cj }.
𝒥 = E ∣𝜀k ∣2 (2.36)
Le but de l’égaliseur MEQM sera de déterminer la valeur minimale de ce critère.
Cela revient à trouver les coefficients du filtre qui annulent le gradient de 𝒥 .
Ainsi, si l’on considère un égaliseur à réponse impulsionnelle infinie {cp }−∞≺p≺∞ ,
le gradient du critère sera donné par :
∂𝜀∗k
Δ𝒥p = 2E (𝜀k ), −∞ ≺ p ≺ ∞ (2.37)
∂cp
Après filtrage du signal reçu {rk }, la sortie de l’égaliseur ŝk sera donnée à chaque
instant kTe par l’expression suivante :
∞
∑
ŝk = cj rk −j (2.38)
j =−∞
∂𝜀∗k
Les relations (2.35) et (2.37) permettent de calculer les termes ∂cp du gradient du
critère 𝒥 comme suit :
∂𝜀∗k
= rk −p (2.39)
∂cp
Ainsi à partir des équations (2.35), (2.38) et (2.39), on peut réécrire plus simple-
ment le gradient du critère 𝒥 comme suit :
∞
∑
Δ𝒥p = 2E [(sk − cj rk −j )rk∗−p ], −∞ ≺ p ≺ ∞ (2.40)
j =−∞
La condition Δ𝒥p = 0 se traduit donc par l’égalité suivante permettant de carac-

tériser le filtre optimal recherché.
∞
∑
cj E (rk −j rk∗−p ) = E (sk rk∗−p ), −∞ ≺ p ≺ ∞ (2.41)
j =−∞
L
∑
Etant donné que le signal reçu rk , est donné par rk = fn sk −n + wk , où {wk }
n=0
correspond au bruit blanc gaussien du canal et {fk } au canal de transmission de
longueur L + 1, les moments de l’expression (2.41) seront définis comme suit :
⎧
L
⎨ ∑
fn∗ fn+p−j 𝜎s2 + 𝜎w2 𝛿pj , ∣p − j ∣ ⩽ L
E (rk −j rk∗−p ) = n=0 (2.42)
⎩
0, ailleurs
{ ∗ 2
∗ f−p 𝜎s , −L ⩽ p ⩽ 0
E (sk rk −p ) = (2.43)
0, ailleurs
Maintenant en substituant ces moments dans l’expression (2.41), puis en prenant

la transformée en z, on obtient l’expression du filtre égaliseur optimal au sens du
MEQM recherché [51] :
𝜎s2 F ∗ (z −1 )
C (z ) = (2.44)
𝜎s2 F (z )F ∗ (z −1 ) + 𝜎w2
On peut observer que la seule différence, entre le filtre optimal au sens du MEQM
(2.44) et le filtre optimal au sens du citère ZF (2.29), est la densité de puissance
du bruit 𝜎w qui est pris en compte. En effet, lorsque la puissance de bruit 𝜎w
est nulle les deux critères donnent le même filtre optimal, F (z 1
) qui permet de
supprimer complètement les interférences entre symboles. Par contre lorsque la
densité de puissance du bruit est non nulle, il existe une erreur résiduelle qu’il est
intéressant de quantifier. Pour cela, reconsidérons la fonction coût 𝒥 donnée en
(2.36). Elle peut être réécrite de la façon suivante :
𝒥 = E (𝜀k sk ) − E (𝜀k ŝk∗ ) (2.45)

Lorsque le filtre optimal obtenu avec le critère MEQM est utilisé, le terme E (𝜀k ŝk∗ )
devient nul du fait que ce filtre annule le gradient du critère donné en (2.40). Par
conséquent la valeur résiduelle 𝒥min de la fonction 𝒥 sera donnée par :
𝒥min = E (𝜀k sk∗ ) (2.46)

∞
∑
= E ∣sk ∣2 + cj E (rk −j sk∗ )
j =−∞
∞
∑
= 1− cj f−j
j =−∞
La dernière ligne de l’équation est obtenue en considérant le résultat (2.43). On

peut remarquer que le terme de la sommation de cette égalité correspond à la
convolution entre le filtre égaliseur {cj } et le canal de transmission {fj } à l’instant
kTe = 0. Notons par {bn } le résultat de cette convolution. La relation (2.46) se
simplifie en :
𝒥min = 1 − b0 (2.47)
En prenant la transformée en z de la suite {bn } et en considérant comme filtre
égaliseur le filtre optimal de l’équation (2.44), on peut écrire :
𝜎s2 F (z )F ∗ (z −1 )
B (z ) = C (z )F (z ) = (2.48)
𝜎s F (z )F ∗ (z −1 ) + 𝜎w2
2
A partir de cette relation, le calcul de la valeur b0 est obtenu par la transformée

en z inverse de B (z ) comme ci-dessous :
∮
1 B (z )
b0 = dz (2.49)
2𝜋j z
𝜎w2
Après déroulement des calculs, on aboutit à b0 = 𝜎s2 +𝜎w2 ce qui permet de conclure
𝜎s2
sur la valeur minimale du critère 𝒥 comme suit avec snr = 2
𝜎w
:
1
𝒥min = (2.50)
1 + snr
L’égaliseur optimal en ZF a la particularité de limiter l’effet convolutif du canal au
détriment d’une éventuelle amplification du bruit du canal. Il est donc nécessaire
de trouver un compromis entre les deux types de perturbation. C’est pour cela,
mais aussi pour sa simplicité, que le critère du minimum d’erreur quadratique
moyenne est si populaire.
4.5 Critère du Module Constant CM

Le critère du module constant ou CM « Constant Modulus », est un critère d’éga-
lisation aveugle du canal de transmission. Son but est de récupérer le message
transmis sans aucune information à priori sur les caractéristique du canal de trans-
mission. Seule la connaissance des statistiques de second ordre du signal émis est
considérée. Elle est bien adaptée aux signaux à enveloppe constant comme les
modulations de type PSK. Mais ce critère est également adapté aux modulations
de type carré comme la modulation MQA. Le premier qui a introduit cette tech-
nique est Godard [46]. Ce critère mesure la déviation entre le module des symboles
égalisés et celle du signal émis. Le CMA ou « Constant Modulus Algorithm »est
l’algorithme de minimisation associé à ce critère.
Pour mieux illustrer le critère du CM considérons un signal source sk binaire (±1)
que l’on fait passer dans un canal de transmission. Cette source binaire vérifie la
condition (∣sk ∣2 = 1). Ainsi lorsqu’au niveau récepteur, le canal est parfaitement
égalisé, les bits de sortie du récepteur yk doivent également avoir un module
constant égal à l’unité. La fonction de coût CM, correspondra à la déviation
définie en [?] que l’on cherchera à minimiser.
[ ]
2 2
JCM ,BPSK = E (∣yk ∣ − 1) (2.51)
De façon générale, le critère du CM est donné en 2.52 Avec r correspondant au

modules des symboles source.
[ ]
JCM = E (∣yk ∣2 − r )2 (2.52)
Un autre algorithme basé sur le même principe, le CNA « Constant Norm Algo-
rithm »[47] permet de généraliser le CMA. Le critère du CN permet d’appliquer
différentes normes à la place du module utilisé dans le critère CM.
5 Algorithmes classiques d’adaptation 69
5 Algorithmes classiques d’adaptation

Les algorithmes d’adaptation servent à la recherche du minimum de la fonction
coût 𝒥 = ℱ(ℛ, ℒ) (2.12), où ℛ représente le signal reçu et ℒ l’ensemble des
connaissances partagées entre émetteur et récepteur. Il s’agit de l’optimisation
par approches successives de la fonction de coût. En effet à partir d’un état initial
E1 , l’algorithme met à jour l’état interne de l’égaliseur à chaque nouvelle donnée
qui arrive au niveau récepteur. Formellement, si on note par Ek l’état du système
à l’instant kTe, l’algorithme d’adaptation calcule le nouvel état interne Ek +1 à
l’instant (k + 1)Te comme suit :
Ek +1 = f (Ek , rk +1 , ℒ, 𝒫) (2.53)
Cette mise à jour dépend donc de l’ancien état du système Ek , d’une nouvelle in-
formation rk +1 provenant du système à identifier, de l’ensemble des connaissances
partagées ℒ et d’un jeu de paramètres 𝒫, comme par exemple le pas d’adapta-
tion, qui dirigent le comportement de l’algorithme. L’élaboration d’un algorithme
d’adaptation correspond alors à la recherche de la fonction adéquate f de l’équa-
tion précédente. Cette élaboration s’accompagne souvent d’un compromis entre
complexité, robustesse et vitesse de convergence de l’algorithme, qui donne la
plupart du temps des performances non-optimales mais satisfaisantes. Plusieurs
classes d’algorithmes classiques d’adaptations existent. Dans cette section nous
nous intéressons plus particulièrement à la classe d’algorithme du gradient et à la
classe d’algorithme de Newton. Mais la liste n’est pas exhaustive, d’autres algo-
rithmes d’optimisation comme ceux liés aux critères du MV et du MAP à l’image
de l’algorithme de Viterbi que nous avons précédemment évoqué.
5.1 Algorithmes du gradient

Dans cette classe d’algorithme la fonction f de l’équation (2.53) est obtenue grâce
à une approximation monodimensionnelle de la fonction coût 𝒥 à optimiser. En
effet, à partir d’un état Ek du système, on recherche l’état ultérieur Ek +1 suivant
une direction de descente dk permettant de réduire la valeur de la fonction coût
à cet instant. La relation liant les états du système serait donné par (2.54) où 𝛼k
représente le pas de descente dans la direction dk avec ∥dk ∥ = 1.
Ek +1 = Ek + 𝛼k dk (2.54)
Pour obtenir cette direction de descente dk , on utilise une approximation de la

fonction de coût à l’ordre 1 donné par la technique du dévéloppement de taylor.
En effet, le développement de taylor à l’ordre 1 du critère 𝒥 en un point E au
voisinage de l’état Ek permet d’écrire la relation suivante :
𝒥 (E ) = 𝒥 (Ek ) + ∇𝒥 (Ek )(E − Ek ) + ∂(Ek ) (2.55)

Où ∇𝒥 (Ek ) représente le gradient de la fonction coût 𝒥 au point considéré Ek et

∂(Ek ) une fonction de Ek négligeable par rapport aux autres termes de l’équation.
En introduisant la relation (2.54) dans cette approximation on obtient une nou-
velle égalité donnée par :
𝒥 (Ek ) = 𝒥 (Ek ) + 𝛼k ∇𝒥 (Ek )dk + ∂(Ek ) (2.56)

Parmis les directions admissible possible celle qui permet d’atteindre la plus petite
valeur de 𝒥 (E ) est celle qui est identifiée par :
{
max(∇f (Ek ).dk ) = max(∇f (Ek ).dk )
dk dk (2.57)
∥dk ∥ = 1
Cette dernière équation impose que dk = −∇𝒥 (Ek ) ce qui donne l’algorithme du
gradient suivant :
Ek +1 = Ek − 𝛼k ∇𝒥 (Ek ) (2.58)
5.1.1 Algorithme LMS

L’algorithme du LMS ou « Leas Mean Square »[52] est l’application de l’algo-
rithme du gradient au cas particulier du critère MEQM. Ce critère défini en (2.36)
fait intervenir une notion d’espérance mathématique sur les erreurs. Le calcul de
cette espérance nécessitant une importante mémorisation du signal reçu, on opère
une approximation qui consiste à ne considérer que l’erreur instantannée comme
indiqué en (2.59).
𝒥 = E ∣𝜀k ∣2 ≈ ∣𝜀k ∣2 (2.59)

Pour minimiser cette approximation on adopte l’algorithme du gradient donné en
(2.58). L’algorithme résultant est appelé algorithme LMS (2.60), très populaire et
simple à mettre en œuvre où Rk représente l’entré du filtre égalixeur. Le calcul
du gradient est obtenu à partir de (2.37) et (2.39). Cet algorithme est robuste
et réactif vis à vis de la variation du système par contre l’approximation réalisée
introduit une petite dégradation des performances.
Ek +1 = Ek − 𝛼k Rk∗ 𝜀k (2.60)
5.1.2 Algorithme RLS

L’algorithme du RLS ou « Recursive Leas Square »est aussi un algorithme basé
sur le critère du MEQM, auquel on applique également l’algorithme du gradient.
Comme on l’a déjà vu dans le cadre de l’algorithme LMS, la notion d’espérance
mathématique qui intervient dans le critère MEQM nécessite d’être approchée.
Contrairement à l’algorithme LMS, l’algorithme RLS utilise une approximation
de l’espérance par une moyenne calculée sur un certain nombre d’erreurs. Cette
5 Algorithmes classiques d’adaptation 71
approximation se justifie du fait que le processus stochastique étudié ici qui cores-
pond aux symboles transmis, est un processus ergodique. Pour réaliser ce moyen-
nage un filtrage passe bas appliqué aux erreurs 𝜀k est utilisé. Ce filtrage est réalisé
au moyen d’un filtre récursif grâce à un effet mémoire comme suit où 𝜂 représente
le facteur d’oubli inférieur à 1 :
∑
𝒥 = E ∣𝜀k ∣2 ≈ 𝜂 m ∣𝜀k −m ∣2 (2.61)
m⩾0
Cette approximation étant meilleur que celle utilisée dans l’algorithme LMS, on
a une convergence beaucoup plus rapide même si on perd en complexité.
5.2 Algorithme de Newton

L’un des algorithmes du gradient le plus populaire est celui de Newton. L’idée de
base consiste à approcher la fonction de coût 𝒥 au voisinage d’un point donné
par une conique, c’est à dire une courbe de dimension deux que l’on cherchera
à miniser. La technique utilisée est le dévéloppement de taylor d’ordre deux du
critère au voisinage du point considéré. Ainsi pour tout point E dans le voisinage
du point considéré Ek On obtient l’approximation suivante :
1
𝒥 (E ) = 𝒥 (Ek )+∇𝒥 (Ek )(E −Ek )+ (E −Ek )t ∇2 𝒥 (Ek )(E −Ek )+∂(Ek ) (2.62)
2
Où :∇2 𝒥 (Ek ) et ∇𝒥 (Ek ) sont repectivement le Hessien et le gradient de la fonc-

tion coût 𝒥 au point considéré Ek et ∂(Ek ) une fonction de Ek négligeable par
rapport aux autres termes de l’équation.
Cette approximation de la fonction côut 𝒥 correspond à une parabole. La pro-
chaine étape est de trouver le future état Ek +1 pour lequel cette parabole est
minimale. Cela revient à trouver l’état qui annule le gradient de cette parabole
qui est donnée par :
∇𝒥 (Ek ) + (E − Ek )t ∇2 𝒥 (Ek ) = 0 (2.63)
L’algorithme de Newton fournit la relation entre les états Ek et Ek +1 de l’égaliseur

comme suit :
Ek +1 = Ek − ∇2 (𝒥 )−1 ∇(𝒥 ) (2.64)
Au regars de cette équation la recherche des différents états nécessite à chaque fois
le calcul de l’inverse du Hessien de la fonction côut. Ce dernier étant très complexe
à calculer, des méthodes d’approximation existent et permettent d’estimer ce pa-
rametre avec moins de complexités : ce sont des méthodes dites quasi-newton.
6 Architectures classiques
Comme déjà vu dans la Section 3, le choix d’un critère d’égalisation et d’un algo-
rithme d’adaptation impose une architecture spécifique de l’égaliseur. Dans cette
partie du chapitre nous proposons au lecteur une description des architectures
classiques que l’on peut rencontrer dans la littérature. Mais avant de mener cette
étude, commençons par quelques rappels sur les propriétés des filtres numériques.
Deux modes de fonctionnement des égaliseurs existent suivant qu’ils choisissent la

meilleure séquence au fil de l’eau, ou autrement dit symbole par symbole, ou sui-
vant qu’ils utilisent un traitement par bloc en considérant simultanément plusieurs
symboles à la fois. Cependant, les architectures classiques comme les égaliseurs
linéaires, les ERD ou les AI peuvent facilement se transposer mathématiquement
entre les deux modes. Dans cette partie nous présenterons seulement les architec-
tures correspondant au mode symbole par symbole.
6.1 Rappels sur quelques propriétés des filtres numériques

Considérons un filtre numérique dont le signal d’entrée est donné par la suite
{s(n)} et le signal de sortie par {y(n)} tel que :
y(n) + a1 y(n − 1) + ⋅ ⋅ ⋅ + aP y(n − P ) = b0 s(n) + ⋅ ⋅ ⋅ + bQ s(n − Q) (2.65)

Par la transformée en z on montre la relation Entrée/Sortie donnée par :
B (z )
Y (z ) = S (z ) (2.66)
A(z )
où B (z ) et A(z ) sont les transformées en z des coefficients {ap }1≤p≤P , et {bq }0≤q≤Q .
Ceci étant, la réponse impusionnelle du filtre numérique {h(n)} sera donnée par
les coefficients de la série du fourier de la fonction de transfert H (z ) définie par :
B (z )
H (z ) = (2.67)
A(z )
6.1.1 Filtre RIF/RII ou Filtre Transverse/Récursif

Lorsque la sortie du filtre numérique y(n) à un instant donné ne dépend que d’un
nombre limité de symboles du signal d’entrée s(n), le filtre sera dit filtre à réponse
impulsionnelle fini ou filtre RIF. Dans ce cas de figure, les coefficients {ap }1≤p≤P
de l’équation (2.65) sont tous nuls et la fonction de transfert du filtre devient :
H (z ) = B (z ) (2.68)
Les filtres RIF sont également appelés filtre transverse, ils sont particulièrement
faciles à réaliser.
6 Architectures classiques 73
Contrairement aux filtres RIF, les filtres à réponse impulsionnelle infinie ou filtre
RII, sont caractérisés par le fait que la sortie y(n) du filtre dépend de tous les
symboles présentés à son entrée depuis l’instant initial. Dans ce cas précis, les
coefficients {ap }1≤p≤P de l’équation (2.65) sont non tous nuls et la fonction de
transfert du filtre (2.67) admet un dénominateur polynômial A(z ) non nul.
Les filtres RII peuvent être réalisés grâce à une approximation par un filtre à ré-
ponse impulsionnelle fini RIF mais avec un grand nombre de coefficients. L’une des
conséquences de cette approximation serait l’erreur de réalisation due à l’approxi-
mation considérée. Notez que cette erreur devient de plus en plus faible lorsque
l’on augmente le nombre de coefficients du filtre RIF utilisé. Ceci étant, il est clair
qu’une bonne approximation introduit une grande complexité de calcul et une
importante mémoire pour le stockage.
Un autre moyen de réalisation des filtres RII est l’utilisation de structures récur-
sives. En effet, en bouclant la sortie d’un filtre transverse sur son entrée, on peut
montrer que le signal de sortie du filtre équivalent dépendant de tous les symboles
présentés à son entrée depuis l’instant d’origine. Les filtres RII réalisés grâce à
ce biais sont également appelés filtres récursif par analogie au bouclage réalisé.
Ces filtres récursifs réalisé grâce au bouclage, nécessite moins de place mémoire
qu’une approximation avec un filtre RIF. De plus il réalise parfaitement un filtre
à coefficient infini, le seul bémol étant que la phase d’un tel filtre est non linéaire
ce qui pourrait être préjudiciable à certains égards.
6.1.2 Causalité et Stabilité

Le filtre défini par la suite {h(n)} est dit causal (ou physiquement réalisable) si
ses coefficients sont tous nuls aux instants négatifs c’est à dire :
h(n) = 0, pour n ≺ 0 (2.69)

Lorsque h(n) = 0 pour n ≺ n0 (n0 ≻ 0), on pourra antidater le traitement pour
rendre le filtre causal, en effectuant un retard de l’ordre de n0 .
Un critère basé sur les pôles de la fonction de transfert du filtre permet de vérifier
sa causalité. En effet lorsque tous les pôles d’un filtre sont à l’intérieur du cercle
unité, on pourra affirmer que le filtre est causal : On dit également qu’il s’agit d’un
filtre à phase minimale. Réciproquement lorsque tous les pôles sont à l’extérieur
du cercle unité le filtre sera dit anticausal ou filtre à phase maximale.
La stabilité est aussi une notion importante dans les filtrages numériques que
nous utiliserons dans ce chapitre. Le filtre défini par ses coefficients {h(n)} est dit
stable lorsque sa fonction de transfert est absolument sommable c’est à dire :
+∞
∑
∣h(n)∣ ≺ ∞ (2.70)
−∞
Un critère basé sur les pôles de la fonction de transfert permet également de

vérifier la stabilité du filtre. En effet lorsqu’aucun pôle de la fonction de transfert

n’est situé sur le cercle unité, le filtre sera dit stable. Cela équivaut également à
dire que le domaine de définition de la fonction de transfert du filtre contient le
cercle unité.
Cas des filtres RIF La fonction de transfert d’un filtre RIF est donnée en
(2.68) qui se développe comme suit :
Q
∑
H (z ) = bq z −q (2.71)
q=0
Q
∑ bq z Q−q
=
zQ
q=0
Le seul pôle de cette fonction de transfert qui sont les solutions de z Q = 0 est
z = 0 qui est bien à l’intérieur du cercle unité. Par conséquent tout filtre RIF est
causal. D’autre part, le pôle z = 0 n’étant pas sur le cercle unité, le filtre RIF
est également stable. Tout filtre à réponse impulsionnelle finie est donc à la fois
stable et causal.
6.1.3 Factorisation spectrale

La factorisation spectrale d’un filtre a pour but d’exprimer sa fonction de trans-
fert sous forme de produit de deux fonctions de transferts l’une étant à phase
minimale et l’autre à phase maximale. Cette méthode permet une meilleure réali-
sation pratique du filtre considéré lorsque ce dernier est récursif et anti-causal. Le
but rechercher est la séparation d’un tel filtre en deux autres l’un étant un filtre
transverse RIF physiquement réalisable et l’autre qui ne l’est pas mais que l’on
cherchera à approximer.
Lorsque le filtre h considéré au paragraphe 6.1 correspond à un canal de trans-

mission, la relation entrée/sortie sera donnée par :
+∞
∑
yn = h(p)sn−p + wn (2.72)
p=−∞
où wn correspond à un bruit blanc gaussien additif du canal. La densité spectrale

de puissance de la séquence {yn } correspondant à la TF de la fonction d’auto-
corrélation du signal peut s’écrire comme suit :
Syy (z ) = Shh (z )𝜎s2 + 𝜎w2 (2.73)

où 𝜎s2 et 𝜎w2 correspondent respectivement à la puissance du signal et du bruit du
canal ; Shh (z ) le spectre replié du canal donné par :
Shh (z ) = H (z )H ∗ (z −1 ) (2.74)
D’après ces deux dernières équations si zi est un zéros de Syy , alors 1/zi l’est aussi.
Par conséquent la transformée en z de la densité spectrale Syy admet autant de
zéros à l’intérieur qu’à l’extérieur du cercle unité. On peut donc trouver une
décomposition de Syy sous la forme :
Syy (z ) = f𝜆 G(z )G ∗ (z −1 ) (2.75)

où G(z ) est une fonction de transferts à phase minimale et physiquement réalisable
avec un filtre transverse et G ∗ (z −1 ) la fonction de transfert adaptée à G(z ) et à
phase maximale. Le paramètre 𝜆 de cette équation représente le rapport signal
sur bruit snr et f𝜆 un coefficient dépendant de 𝜆 qui peut être obtenu à partir de
la relation (2.77), [51]. Les équations (2.72), (2.74) et (2.75) permettent d’écrire
la décomposition spectrale suivante qui sera utilisée ultérieurement :
H (z )H ∗ (z −1 )𝜎s2 + 𝜎w2 = f𝜆 G(z )G ∗ (z −1 ) (2.76)
∫ fe /2
ln(f𝜆 ) = ln(∣H (f )∣ 𝜎s2 + 𝜎w2 )df (2.77)
−fe /2
6.2 Egaliseurs lineaires

Parmi les critères d’égalisation les plus populaires présentés dans la section 4 seuls
les critères du ZF et du MEQM sont linéaires et donnent lieu à des architectures
de types linéaires. Dans cette partie nous proposons au lecteur une présentation
des architectures liées à ces critères. Le critère du ZF pouvant être obtenu à partir
du critère MEQM en prenant un bruit très faible (voir paragraphe 4.4), seules les
architectures selon le critère MEQM seront présentées.
Pour un canal de type SISO (Section 2.1), nous avons montré (Section 4.4) que le
filtre optimal obtenu avec le critère MEQM est défini par (2.78) où H (z ) représente
la fonction de transfert du canal.
𝜎s2 F ∗ (z −1 )
C (z ) = (2.78)
𝜎s2 F (z )F ∗ (z −1 ) + 𝜎w2
Ce résultat peut être étendu au cas des canaux SIMO, en égalisant chaque branche
du canal conformément à l’équation (2.78). Une simple sommation sera ensuite
effectuée pour la recombinaison des sorties de ces sous-canaux.
Dans cette partie nous ne traitons donc que le cas SISO, le cas SIMO pouvant
être généralisé. La fonction de transfert de l’égaliseur optimal MEQM, ayant un
dénominateur non nul, le filtre permettant de réaliser cet égaliseur serait un filtre à
réponse impulsionnelle infinie, RII (Section6.1). Ce filtre peut être réalisé de deux
façons différentes : Soit par un filtre transverse linéaire ou par un filtre récursif
linéaire que nous décrivons dans les sections ci-dessous.
6.2.1 Egaliseurs transverses

L’égaliseur linéaire défini précédemment en (2.78) n’est pas à priori physiquement
réalisable. En effet les pôles de sa fonction de transfert sont à la fois à l’intérieur
et à l’extérieur du cercle unité. En d’autres termes le filtre n’est pas causal ce qui
le rend physiquement irréalisable.
En utilisant la décomposition (2.79), l’égaliseur linéaire peut être réalisé grâce à
la juxtaposition du filtre adapté H ∗ (z −1 ) du canal, qui, lui est transverse et donc
physiquement réalisable, et d’un filtre à réponse impulsionnelle infinie RII donnée
par 𝜎2 F (z )F ∗1(z −1 )+𝜎2 . La mise en œuvre exacte du filtre RII étant impossible du
s w
fait que ses coefficients sont infinis, une solution consisterait de l’approximer par
un filtre transverse RIF, en tronquant le développement en série de sa fonction de
transfert.
1
C (z ) = H ∗ (z −1 ). (2.79)
𝜎s2 F (z )F ∗ (z −1 ) + 𝜎w2
La juxtaposition du filtre adapté H ∗ (z −1 ), et de l’approximation du filtre RII
donne lieu à un égaliseur linéaire transverse (ELT) qui est stable et physiquement
réalisable comme nous l’avons déjà montré auparavant. La Figure. 2.12 donne la
structure d’un tel égaliseur (ELT).
rk  σ s2  yk sˆk
−1 DS  2 2 
*
H (z )
σ s H ( z ) H ( z ) + σ w 
* −1
Filtre Adapté
Filtre Transverse linéaire
Figure 2.12 – Structure de l’Egaliseur Linéaire Transverse ELT
Toute fois la troncature du développement en série de la fonction de transfert

du filtre RII, entraine une certaine dégradation des performances de l’égaliseur
linéaire. Plus le nombre de coefficients conservés est grand plus les dégradations
seront moindres. De façon générale ce nombre est fixé à deux ou trois fois la
longueur du canal de transmission.
6.2.2 Egaliseurs Récursifs

Une autre architecture possible de l’égaliseur, basée sur la décomposition spectrale
de sa fonction de transfert existe. Il s’agit de l’égaliseur linéaire récursif. En effet
d’après (2.76), la fonction de transfert du filtre égaliseur C (z ) de l’équation (2.78)

peut s’écrire sous la forme suivante :
1 1
C (z ) = H ∗ (z −1 ) .DS { } (2.80)
G(z ) S𝜆 G (z −1 )
∗
Le filtre G(z ) est un filtre à phase minimale et donc causal, son inverse est un
filtre RII également causal de plus stable pouvant donc être réalisé par un filtre
récursif par bouclage. Par contre le filtre G ∗ (z −1 ) est à phase maximale donc anti-
causal, son inverse par conséquent l’est également. Ce dernier filtre qui n’est donc
pas physiquement réalisable va être approché grâce à un développement en série
de sa fonction de transfert que l’on va ensuite tronquer pour le rendre transverse.
On obtient ainsi comme filtre égaliseur, une juxtaposition de trois architecture
différents composées d’un filtre transverse H ∗ (z −1 ) équivalent au filtre adapté
du canal, un filtre récursif correspondant à G(z 1
) , et enfin un filtre transverse
représentant une approximation du filtre anti-causal S G ∗1(z −1 ) . La concaténation
𝜆
de ces différents filtres (Confère [51])fournit alors un égaliseur linéaire récursif
(ELR) physiquement réalisable et stable, Figure 2.13.
Par contre, à cause de l’approximation du filtre G ∗ (z −1 ), les performances de
l’égaliseur qui en résulte seront toujours inférieures à celles données par la struc-
ture d’origine de l’équation 2.80.
rk +  σ s2  yk sˆk
H * ( z −1 ) DS  * −1 
-  f λ Gλ ( z ) 
Filtre adapté
1 − Gλ ( z ) Filtre transverse causal
Filtre récursif stable
Figure 2.13 – Structure de l’Egaliseur Linéaire Récursif ELR
6.3 Egaliseurs non lineaires à base de filtre

Les égaliseurs linéaires que nous venons de voir dans la section précédente, ne
prennent pas en compte la nature même du message émis à part leur statistique
qui est souvent limité à l’ordre 2. Or nous avons déjà vu (Section 4) que les
meilleurs critères qui sont ceux du Maximum de Vraisemblance et du Maximum
à Priori, prennent en compte en plus des statistiques du signal émis, la nature
du message émis à savoir entre autre la constellation. Dans cette partie, nous
présentons des architectures non-linéaires basées sur des filtres et qui utilisent la
constellation du signal émis permettant d’améliorer les performances des égali-

seurs linéaires déjà présentés. Il s’agit de l’égaliseur à retour de décision (ERD) et
de l’Annuleur d’Interférences (AI) que nous présenterons. Pour tous ces égaliseurs
la non-linéarité est introduite par le module de décision qui sera intégré dans l’éga-
liseur. Tout comme les égaliseurs linéaires, ces architectures non-linéaires mettent
en œuvre le critère du Minimum d’erreur quadratique MEQM. Nous rappelons
également que seul le canal SISO est étudié dans cette partie. Le cas des autres
types de canaux pouvant se généraliser.
6.3.1 ERD : Egaliseur à Retour de Décision

La structure de l’égaliseur à retour de décision (ERD) découle directement d’une
écriture particulière de la séquence reçue. En effet, le symbole reçu à l’instant k
d’un canal est donné par l’expression suivante :
∑
rk = hn sk −n + wk
n ∑ ∑
= h0 sk + hn sk −n + hn sk −n +wk (2.81)
n>0 n<0
| {z } | {z }
IES pr curseur IES post−curseur
L’équation 2.81 met en évidence plusieurs termes. On a le symbole recherché lui

même sk , le bruit wk et deux types d’interférences entre symboles : Une inter-
férence avec les symboles passés que nous avons appelé IES précurseur et une
interférence avec les symboles futures appelé ici IES postcurseur. On peut ainsi
remarquer que si les symboles passés ont été parfaitement retrouvés, il devient pos-
sible de supprimer complètement la partie de l’IES précurseur et améliorer ainsi
les performances de l’égaliseur. C’est le principe même des égaliseurs à retour de
décision (ERD). Leur structure est donnée ci-contre Figure 2.14.
rk  σ s2  + yk sˆk
H * ( z −1 ) DS  * −1 
 f λ Gλ ( z )  -
Filtre adapté
Filtre transverse causal
1 − Gλ ( z )
Feed-forward Filter C ( z )
Feed-back Filter B( z )
Figure 2.14 – Structure de l’Egaliseur à Retour de Décision ERD
Cette structure présente deux parties : La première qui élimine les interférences
faisant intervenir les symboles non encore décidés ou symboles futures du récep-
teur grâce à un simple filtre appelé en anglais (Feedforward filter) ; et la seconde
partie qui élimine, grâce à une estimation des symboles passés, les interférences
faisant intervenir ces mêmes symboles par le moyen d’un autre filtre appelé en
anglais (Feedback filter).
Si l’on choisit le critère du MEQM comme critère d’égalisation, les filtres Feedfor-
ward C (z ) et Feedback B (z ) sont donnés ci-dessous où f𝜆 , G(z ) sont les termes
de la décomposition spectrale de l’égaliseur donné dans l’équation (2.76).
H ∗ (z −1 )
C (z ) = et B (z ) = G(z ) (2.82)
f𝜆 G ∗ (z −1 )
Pour que cet égaliseur puisse fonctionner correctement, il est nécessaire que les
symboles déjà décidés soit corrects. En effet puisque ces derniers sont reconduits
dans le filtre arrière (feedback filter) pour estimer le symbole actuel sk , une erreur
de décision sur ces derniers pourrait donc entrainer une erreur d’estimation de sk
et tous les symboles futures décidés seront faussés. Ce phénomène est connu sous
le nom de propagation d’erreur dans l’ERD. C’est un inconvénient majeur pour
cet type d’égaliseur.
Pour lutter contre la propagation d’erreur, d’autres structures basées sur le même
principe existe dans la littérature. L’ERD pondéré ERDP [53] [54] en est un
exemple. Dans cet égaliseur, l’entré du Feedback Filter n’est plus les symboles
décidés mais un symbole résultant de la combinaison du symbole décidé et du
symbole égalisé. La combinaison se fait en fonction de la fiabilité du symbole
décidé de la façon suivante :
b(n) = 𝛼ŝ(n) + (1 − 𝛼)y(n) (2.83)

où ŝ(n) correspond au symbole estimé, y(n) la sortie de l’égaliseur et 𝛼 le para-
mètre représentant la fiabilité du symbole décidé. Si le symbole décidé est correcte,
la confiance calculée sera 𝛼 =≈ 1 ce qui revient donc au cas classique de l’éga-
liseur ERD. Par contre si le symbole décidé est peu fiable, l’entrée du Feedback
Filter ne serait plus ŝ(n) mais plutôt un symbole proche de la sortie de l’égaliseur.
Le SADFE Un autre égaliseur appelée SADFE ou »Self-Adaptive Decision

Feedabck Equalizer« [55] [51], a été proposé dans le cadre de l’amélioration des
performances en termes de convergence du DFE ou ERD classique. Cet égali-
seur possède une double structure qui lui procure cette capacité à converger plus
vite qu’un DFE ou ERD classique tout en ayant des performances comparable
en termes d’EQM que celui-ci. Cette double structure se décline selon le mode
de fonctionnement du SADFE. Lorsque celui-ci est en mode de convergence c’est-
à-dire que les filtres sont non-optimaux, c’est la structure de la figure 2.15 qui
est utilisée. Cette structure possède deux parties essentielles : Un filtre récursif
linéaire déterminé de façon adaptative par un critère autodidacte de type Godard
(confère Section 4.5 de ce chapitre), et un filtre de prédiction de bruit déterminé
par le critère du minimum d’erreur quadratique moyen (confère chapitre 2 sec-
tion 4.4). Tout l’intérêt du SADFE repose sur le filtre prédicteur qui permet de
réduire considérablement l’EQM à la sortie de l’égaliseur comparativement aux
performances d’un DFE classique en phase de convergence. Cependant, lorsque
l’égaliseur est en phase de poursuite c’est-à-dire que l’erreur quadratique moyenne
est satisfaisante, les filtres qui interviennent dans la structure de la figure 2.15 de-
viennent optimaux. Dans ce cas on montre que (confère [51]), les filtres C (z ) et
D(z ) de la figure 2.15 sont identiques et valent Gz défini dans l’équation 2.75.
+ +
H( f ) B( f )
- -
W (n) C( f ) g e− jθ (n) e jθ (n)
+
D( f )
-
Figure 2.15 – Structure du SADFE en phase de convergence
Dans ce cas précis, il en découle une simplification de la structure de base de la

figure 2.15 vers une structure plus simple équivalente à celle d’un DFE classique
donnée sur la figure 2.16. Le basculement vers la structure du DFE classique
est arbitré par le niveau de l’EQM à la sortie de l’égaliseur. Lorsque celui-çi est
inférieur à certain seuil, défini entre autre par le type de modulation utilisée, alors
le basculement intervient et le filtre optimal de la figure 2.16 est piloté par des
symboles de décision qui sont fiable.
+ +
H( f ) B( f )
- -
W (n) C( f ) g e− jθ (n) e jθ (n)
+
D( f )
-
Figure 2.16 – Structure du SADFE en phase de poursuite

Block-DFE Le DFE (Decision Feedback Equalizer) ou ERD temporel tel qu’il

est d’écrit dans [41] est connu pour avoir de meilleures performances qu’un éga-
liseur linéaire classique. Cependant, cet égaliseur peut avoir une complexité très
élevée quand on considère des canaux très dispersifs pour des raisons de traitement
de numérique du signal mais aussi de design en ce qui concerne les filtres avant
et arrière de cet égaliseur. Pour cette raison, plusieurs versions de cet égaliseur
basée sur un fonctionnement par bloc sont proposés par certains auteurs afin de
réduire cette complexité. Nous pouvons citez par exemple l’égaliseur défini en [56]
qui reconstitue exactement le fonctionnement du DFE classique en adoptant un
traitement par bloc pour ses filtres avant et arrière. Le principal inconvénient de
cette proposition est l’utilisation d’algorithme complexe à savoir l’algorithme de
type Winograd [57] pour résoudre le problème de convolution de ces filtres. Ce-
pendant, l’intérêt de cette technique d’égalisation par bloc repose sur la facilité à
l’adapter dans le domaine fréquentiel danslequel le filtrage se réduit à une simple
multiplication vectoriel.
Une autre proposition d’un égaliseur par bloc est proposée en [58] par les mêmes
auteurs. Il s’agit de l’EBA-DFE ou « Efficient Block-Adaptive »DFE. Cette pro-
position met en exergue le problème de causalité lié au traitement par bloc du
filtre arrière de cet égaliseur. La solution adopté est basée sur une technique ité-
rative (voir Chapitre 3 section ??) conduisant à la détermination du vecteur de
décisions à la sortie de l’égaliseur.
6.3.2 AI :Annuleur d’Interférences

L’Annuleur d’interférence (AI) fonctionne suivant la même logique que l’ERD.
La principale différence réside dans le fait que les symboles précurseurs et post-
curseurs de l’expression (2.65) sont supposés connus. Ce type d’architecture est
plutôt utilisé non pas directement en tant qu’égaliseur mais en tant que système
améliorant les séquences égalisées auparavant par un autre égaliseur. Il est utilisé
par exemple en turbo-égalisation. La Figure. 2.17 donne une représentation de
cette architecture où la séquence {s̄k } est une estimation donnée par un autre
égaliseur.
Comme pour l’ERD, le calcul des coefficients des filtres optimaux est rendu difficile
dans le cas général. Cependant, en utilisant une hypothèse de décision correcte,
ce calcul peut se faire facilement en supposant que les symboles s̄k correspondent
exactement à la source, c’est-à-dire s̄k = sk . Dans ce cas, on montre que (voir
[51])les filtres optimaux selon le critère du MEQM sont donnés par (2.84) et
(2.85) :
𝜎s2
F (z ) = H ∗ (z −1 ) (2.84)
𝜎s2 + 𝜎w2
𝜎s2 [ ∗ −1 ]
B (z ) = 2 2
H (z )H (z ) − 1 (2.85)
𝜎s + 𝜎w
rk σ s2 + yk sˆk
H * ( z −1 )
σs +σw
2 2
-
Filtre adapté
σ s2
sk = f ( sˆk )  H ( z ) H * ( z −1 ) − 1
σ s2 + σ w2 
Filtre annuleur
Figure 2.17 – Structure de l’Egaliseur Annuleur d’Interférence AI
6.4 Autres Egaliseurs non lineaires

Les structures utilisées pour l’égalisation de canal que nous avons évoqués jus-
qu’à présent, sont basées sur des filtres linéaire simple comme les ELT ou des
filtres non linéaires comme l’ERD. Toutes ces architectures ont été développées
conformément au critère linéaire du Minimum d’Erreur Quadratique moyenne.
Dans cette partie nous allons présenter une architecture d’égaliseur liée aux cri-
tères non-linéaires du MAP et du MV à savoir l’égaliseur en Trellis mais aussi
l’architecture de la Turbo-égalisation. Ces structures sont tous non-linéaires mais
s’avèrent être très complexe comparé àà ceux que nous avons déjà évoqués.
6.4.1 Egaliseur en Treillis

Les égaliseurs basés sur les critères du MAP et du MV vus en Section. 4, néces-
sitent une structure capable de modéliser parfaitement l’effet mémoire entre le
canal de transmission et le message émis. La structure idéale répondant à cette
contrainte est le Treillis originellement développé pour le codage convolutif du
canal. Un treillis est constitué d’états et de branches appelées transitions. Chaque
état représente le contenu de la mémoire du canal c’est à dire les Lh − 1 messages
précédemment émis où Lh représente la dispersion du canal. Ainsi si les messages
sont issus d’une constellation de taille M , le nombre total d’états du Treillis serait
de M Lh−1 . A partir d’un état ek du Treillis, lorsqu’un nouveau message arrive au
niveau récepteur il existe M transitions possible pour passer de l’état ek à l’état
ek +1 ce qui porte le nombre total de transitions à M .M Lh−1 = M Lh dans une
section du Treillis présentée sur la Figure. 2.18. Sur cette figure, la constellation
du message correspond à un BPSK (M = 2), et la taille du canal est fixée à
Lh = 3. Les traits en pointillé indiquent une transition correspondant à un nou-
veau message reçu de +1 tandis que les traits pleins sont le pendant pour un
nouveau message de −1. Les algorithmes reposant sur cette structure possèdent
une complexité qui dépende naturellement du nombre d’états et de transitions du
Treillis.
-1
-1 , -1 +1 -1 , -1
-1 , +1 -1 , +1
+1 , -1 +1 , -1
+1 , +1 +1 , +1
Figure 2.18 – Structure d’une section du Treillis pour une constellation BPSK
6.4.2 Turbo-Egalisation
Dans un traitement classique, un égaliseur est alimenté par la sortie bruité du
canal de transmission et éventuellement par les symboles précédemment égalisés
sans tenir compte de l’information de redondance introduite par le codage de ca-
nal. La technique qui prend en compte cette redondance est la turbo-égalisation
[51] [59]. Elle permet d’associer à un égaliseur classique, le décodeur de canal afin
d’améliorer les performances de l’égaliseur et ce de façon itérative.
Sortie du canal
Signal décodé
Module1 Module2 ModuleP
retard retard
Figure 2.19 – Schéma de principe d’un turbo Egaliseur
La structure d’un turbo-égaliseur, est constituée d’un certain nombre de modules

identiques comme le montre la Figure. 2.19, traités de façon itératives c’est à
dire les uns après les autres. Chaque module (voir Figure. 2.20 est constitué d’un
égaliseur, d’un désentrelaceur d’un convertisseur M-aire/binaire, d’un décodeur
de canal, d’une fonction permettant d’estimer la moyenne des symboles de sortie
du décodeur, et d’un Entrelaceur. Les différentes fonctions réalisées dans chaque

module en dehors du filtre égaliseur constituent une démodulation du signal émis.
L’égaliseur optimal utilisé dans chaque module, au sens de la minimisation de l’er-
reur quadratique moyenne, est l’annuleur d’interférence AI vu dans la Section. 6.3
qui comme on l’a déjà vu est surtout utilisé pour améliorer les performances d’un
autre égaliseur. Cet égaliseur est constitué de deux filtres, l’un F (z ) adapté au
canal et donné en (2.84) qui permet de réduire la puissance du bruit du canal,
et l’autre B (z ) donné en (2.85) qui permet de reconstruire les interférences entre
symboles présentent en sortie du filtre adapté F (z ) afin de les supprimer. L’en-
trée du filtre donnée par B (z ) correspond aux symboles moyennés de la sortie du
décodeur de canal qui permet d’améliorer la qualité des symboles égalisés.
rnp
Retard
rnp −1
F ( z) + + Convertisseur Moyenneur
snp
Désentrelaceur Décodeur Entrelaceur
- M-aire/binaire sn
Calcul de
p −1
sn
B( z )
Figure 2.20 – Structure du module N∘p d’un turbo Egaliseur
Dans le cas d’un canal stationnaire (canal gaussien sélectif en fréquence) non connu
au niveau récepteur, on utilisera généralement un algorithme du gradient stochas-
tique LMS pour actualiser les coefficients des filtres B (z ) et F (z ). Si {bn }n∈[0,..,L]
et {fn }n∈[−L,..,L] sont les coefficients de la réponse impulsionnelle des filtres donnés
par B (z ) et F (z ) alors l’équation d’adaptation est donnée par :
{
p
fn+1 = fnp − 𝜇pf Rnp−1∗ (y p (n) − ŝ(n))
p (2.86)
bn+1 = bnp + 𝜇pb S̄np−1∗ (y p (n) − ŝ(n))
où, p indique le numéro du module, Rnp−1 = [rn , .., rn+L ]T et S̄np−1 = [s̄(n −
L), .., s̄(n+L)]T étant respectivement le vecteur d’entrée de l’égaliseur et le vecteur
des valeurs moyennes des symboles ŝ(n) obtenu à la sortie du décodeur de canal
du module p, 𝜇pf et 𝜇pb les pas d’adaptation et y p (n) la sortie du bloc égaliseur
du même module p.
6.5 Egalisation du signal SC-FDMA

Dans ce chapitre, nous avons fait état de quelques techniques d’égalisations ren-
contrées dans la littérature. Le but recherché dans nos travaux de recherches est
de proposer des techniques d’égalisations adaptées au système SC-FDMA. Toutes
7 Conclusion 85
les techniques illustrées dans ce chapitre, ne peuvent être appliquées en l’état à

ce système. En effet, la construction même du signal SC-FDMA, pause deux dif-
ficultés majeures quand à l’application des techniques d’égalisations. La première
difficulté est liée à l’application de l’intervalle de garde sur le signal transmis. Cela
a pour conséquence de transformer la convolution linéaire du signal par le canal
en une convolution circulaire. Il faut noter que la convolution circulaire est bien
adaptée à une égalisation dans le domaine fréquentiel. En effet, la représentation
fréquentielle du signal issu de la convolution circulaire du signal émis par le canal
de transmission, correspond à un simple produit symboles par symboles entre le
signal émis et le canal de transmission. C’est pourquoi, il est simple d’inverser le
canal dans ce domaine, lorsque celui-ci est connu ou estimé. Cependant, la diffi-
culté réside dans l’application des techniques dites temporelles pour l’égalisation
du signal SC-FDMA. En effet, la convolution circulaire introduit par l’intervalle
de garde entrave l’application des techniques temporelles qui réalisent une décon-
volution linéaire du canal. Ainsi, une adaptation s’impose à toutes ces techniques
temporelles. La seconde difficulté est liée au multiplexage des signaux des dif-
férents utilisateurs. En effet, le système SC-FDMA effectue un multiplexage des
utilisateurs dans le domaine fréquentiel. Cela pose un problème du positionnement
du filtre égaliseur au niveau récepteur. Un égaliseur placé en début de réception
dans le domaine temporel par exemple ne saurait égalisé spécifiquement le signal
d’un seul utilisateur sans aucune adaptation au préalable du moment où le signal
à l’entrée de l’égaliseur sera la contribution des signaux de tous les utilisateurs.
Cela est préjudiciable à tous les égaliseurs temporels qui sont la plupart placés
en amont du récepteur. Dans le chapitre suivant nous proposerons des égaliseurs
aussi bien dans le domaine fréquentiel que dans le domaine temporel en tenant
compte de ces difficultés.
7 Conclusion
Dans ce chapitre il était question d’une description des techniques d’égalisations
classiques des canaux de communication, rencontrées dans la littérature. Nous
avons pu présenter quelques techniques très connues qui seront par la suite utilisées
dans nos travaux de recherches. Ceci étant, la liste fournies dans ce chapitre n’est
pas exhaustives, d’autant plus que plusieurs de plusieurs contributions ont permis
d’améliorer la plupart de ces technique et ce jusqu’à nos jours.
Chapitre 3
Techniques d’égalisation de canal

pour les systèmes SC-FDMA
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 88
2 Techniques d’Egalisation Classiques adaptées aux Sys-
tèmes SC-FDMA . . . . . . . . . . . . . . . . . . . . . . 88
2.1 Critère du Zero-Forcing (ZF) . . . . . . . . . . . . . . . 88
2.2 Critère du Minimum d’Erreur Quadratique Moyenne
(MEQM) . . . . . . . . . . . . . . . . . . . . . . . . . . 89
2.3 Mesure des performances dans un contexte SC-FDMA . 89
3 Adaptation au récepteur SC-FDMA d’un Egaliseur
Block-DFE par exploitation de la redondance des sym-
boles sources . . . . . . . . . . . . . . . . . . . . . . . . 91
3.1 Technique Basée Sur L’ERD (DFE) Et L’ERD-P (W-
DFE) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2 ERD Et ERDP Dans Un Context I-FDMA . . . . . . . 93
3.3 EBA-DFE Dans Un Context SC-FDMA . . . . . . . . . 94
4 Adaptation au récepteur SC-FDMA d’une technique
d’Egalisation aveugle basée sur des références fantômes102
4.1 Présentation de la Technique . . . . . . . . . . . . . . . 102
4.2 Définition du critère d’Egalisation sur les Porteuses Fan-
tômes pour un système OFDM . . . . . . . . . . . . . . 105
4.3 Adaptation et Analyse du critère d’Egalisation sur Por-
teuses Fantômes dans un contexte SC-FDMA . . . . . . 110
4.4 Retour sur le cas OFDM . . . . . . . . . . . . . . . . . . 120
5 Nouvelles Techniques d’Egalisation Temporelles adap-
tées au Système SC-FDMA et obtenues par décou-
plage entre Filtre Egaliseur et Critère d’Egalisation 123
5.1 Problématique liée à l’application des techniques d’Ega-
lisation Temporelles dans un contexte SC-FDMA . . . . 123
5.2 Découplage entre Filtre Egaliseur et critère d’Egalisation 126
88 Techniques d’égalisation de canal pour les systèmes SC-FDMA
5.3 Application de quelque critères classiques temporels . . 128

6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . 134
1 Introduction
Le SC-FDMA est une technique d’accès multiple basée sur le principe des sys-
tèmes SC/FDE (Section. 2.2.3) avec une allocation fréquentielle des ressources
radio (FDMA). Mais comme son nom l’indique, le SC/FDE est un système de
transmission mono-porteuse à laquelle il est associé une technique d’égalisation
fréquentielle. Par conséquent, la classe d’égaliseur la plus adaptée au système
SC-FDMA est celle des égaliseurs fréquentiels. Dans cette partie nous mettrons
en application certaines techniques d’égalisations fréquentielles classiques et nous
proposerons d’adapter par la suite d’autres techniques d’égalisations temporelles
qui offrent de meilleures performances.
2 Techniques d’Egalisation Classiques adaptées aux Sys-

tèmes SC-FDMA
Le SC-FDMA[60] bien que s’agissant de système de transmission mono-porteuse,
traite les données en mode paquet comme c’est le cas des systèmes multi-porteuses
comme l’OFDM. La transmission des données en mode paquet introduit une In-
terférence entre paquet qui peut être supprimée par l’insertion d’Intervalle de
Garde (IG) en début de chaque paquet SC-FDMA. Mais comme nous l’avons
déjà vu, le rôle joué par l’IG est double ; en plus de réduire l’Interférence entre
paquet, il transforme en convolution circulaire le filtrage du signal par le canal
de transmission dont l’avantage majeur est de rendre facilement applicable les
critères d’égalisation classique de type Zéro-Forcing (ZF) ou Minimum d’Erreur
Quadratique (MEQM) dans le domaine fréquentiel.
2.1 Critère du Zero-Forcing (ZF)

Dans la norme 3GPP LTE, chaque trame du signal SC-FDMA est constituée de
20 Slots, chacun étant composé de 7 symboles SC-FDMA. Le symbole du milieu
de chaque Slot, dans une configuration où la taille de l’Intervalle de Garde est dit
Normal (Confère Section 6.3.1 du Chapitre 1), est considéré comme un symbole
de référence ou symbole pilote. Dans la norme 3GPP LTE, ce symbole est une
séquence de CAZAC (Constant Amplitude and Zero Auto-Correlation Code) [61]
[62] et occupe toute la bande du signal permettant ainsi une Estimation de la
réponse fréquentielle du canal sur chacune de ses sous-porteuses du signal. La
technique d’égalisation intervient après le processus de l’estimation de canal que
nous verrons dans le Chapitre 4.
Une fois la réponse du canal estimée, le critère du ZF est le plus simple à ap-
pliquer. Comme nous l’avons décrit dans l’état de l’art (Confère Section 4.3 du
2 Techniques d’Egalisation Classiques adaptées aux Systèmes SC-FDMA 89
Chapitre 2), le rôle de ce critère est l’inversion parfaite de la réponse du canal afin
de supprimer l’effet convolutif de celui-ci. Si on note par {Fp }0≺p≺N RS , l’estimée
SC
de la réponse du canal sur la sous-porteuse n ∘ p, NSC RS (RS = Reference Signal, SC
= Subcarrier) représentant le nombre total de sous-porteuses réellement modu-

lées, alors le filtre égaliseur ZF serait donné par (3.1) conformément à l’équation
(2.29) de la Section 4.3.
1
Cp = (3.1)
Fp
2.2 Critère du Minimum d’Erreur Quadratique Moyenne (MEQM)
Cette technique a déjà été détaillée dans la section 4.4 du Chapitre 2. La fonc-
tion de transfert du filtre qui en découle est celui donnée dans l’équation (2.44).
Comme on peut le constater à travers les deux équations (2.29) et (2.32), la seule
différence entre le filtre optimal au sens du MEQM et le filtre optimal au sens du
critère ZF, est la densité de puissance du bruit 𝜎w qui est prise en compte dans
le cas MEQM lui donnant ainsi la capacité de réduire également la perturbation
liée au bruit additif du canal.
Dans un contexte SC-FDMA, l’application de la technique MEQM ne nécessite

guerre plus de traitement que la technique du ZF, et de plus, est également bien
adaptée au système considéré du fait qu’elle est basée uniquement sur les symboles
pilotes qui sont insérés dans le signal transmis comme on peut le voir sur la
Figure 1.25 Chapitre 1.
2.3 Mesure des performances dans un contexte SC-FDMA
Pour tester les performances obtenues avec les deux critères que nous avons adop-
tés, nous allons faire abstraction de l’estimation de canal de transmission en sup-
posant une connaissance parfaite de celui-ci au niveau récepteur. Plusieurs scé-
narios sont considérés enfin de mettre en évidence les limites du critère utilisé :
Nous considérons le canal Pedestrian A qui est un canal court avec moins d’éva-
nouissement spectrale, et le canal Véhicular A relativement long qui possède des
évanouissements assez profonds. La configuration du système SC-FDMA utilisée
est celle de la bande de 5Mhz donnée dans la Table. 1.1. La Figure 3.1 donne les
performances obtenues en terme d’erreur quadratique moyenne et de taux d’er-
reur symbole pour les deux types de canaux, tandis que celles données dans la
Figure 3.2 comparent les performances entre les deux critères en termes de TES
pour le même canal vehicular A.
Pedestrian A
−5
Vehicular A
−10
EQM (dB)
−15
−20
−25
−30
−35
0 2000 4000 6000 8000 10000
Echantillons
(a) EQM
0
10
Théorie
−1
10 Pedestrian A
Vehicular A
TES: Taux Erreur Symboles
−2
10
−3
10
−4
10
−5
10
−6
10
4 5 6 7 8 9 10
Eb/N0 (dB)
(b) TES
Figure 3.1 – Egalisation type ZF : Canal Pedestrian A et Vehicular A

3 Adaptation au récepteur SC-FDMA d’un Egaliseur Block-DFE par
exploitation de la redondance des symboles sources 91
0
10
Théorie
Vehicular A: Egalisation ZF
−1
TES: Taux Erreur Symboles 10 Vehicular A: Egalisation MEQM
−2
10
−3
10
−4
10
−5
10
−6
10
4 5 6 7 8 9 10
Eb/N0 (dB)
Figure 3.2 – Comparaison ZF et MEQM en terme de Taux d’Erreur Symbole (TES)
3 Adaptation au récepteur SC-FDMA d’un Egaliseur

Block-DFE par exploitation de la redondance des sym-
boles sources
Le but dans cette section est d’appliquer sur le SC-FDMA l’égaliseur EBA-DFE
déjà breveté par France Télécom qui a financé le travail réalisé durant ces trois
années de thèse. Il s’agit de valoriser ce brevet sur notre sujet d’étude. Pour
cela nous revenons un temps soit peu sur la technique d’égalisation ERD (en
Angloxason DFE) en général ainsi que celui de l’ERD-P (en Angloxason Weigted-
DFE) qui est une version améliorée de cette dernière, avant de traiter en détail la
technique EBA-DFE.
3.1 Technique Basée Sur L’ERD (DFE) Et L’ERD-P (W-DFE)

Le principe de l’ERD [63] [64] a déjà été décrit dans la Section 6.3.1 du Cha-
pitre 2. Dans ce paragraphe nous rappelons uniquement le rôle joué par chacun
des deux filtres qui le composent à savoir le Feed-Forward Filter et le FeedBack-
Filter. En effet, le Feed-Farward Filter est chargé de la déconvolution du canal
proprement dit. C’est le même filtre qui est utilisé dans les égaliseurs transverses
ELT (Confère Section 6.3.1 Chapitre 2). Quand au Feed-Back filter, il est dédié
pour la suppression de l’IES due aux symboles déjà décidés. Il s’agit d’un filtre
qui reconstitue l’IES précurseur (Voir Section 6.3.1 du Chapitre 2), afin de la
supprimer sur les futures décisions. Ce filtre représente l’intérêt même de la tech-
nique ERD car la suppression de l’IES permet d’améliorer significativement les

performances par rapport à celles obtenues par un ELT classique. Cependant un
inconvénient majeur lié au principe même du Feed-Back filter, est à souligner :
Il s’agit du phénomène de la propagation d’erreur. Lorsqu’une erreur de décision
survient, le Feed-back filter la répercute de façon irréversible sur les futures sym-
boles décidés et cela parce que les symboles décidés en un instant t sont réutilisés
pour des décisions futurs dans un laps de temps 𝜏 . Pour résoudre ce problème de
propagation d’erreurs, d’autres solutions plus performantes basées sur le même
principe de retour de décision ont été proposées dans la litérature. Nous nous
intéressons ici à une technique brevetée chez France Télécom à savoir l’égaliseur
ERD-P ou ERD-Pondéré détaillé dans les articles [53] [54] (Confère Figure 3.4).
La différence principale entre l’ERD-P et l’ERD simple réside dans le calcul des
symboles réintroduits dans le filtre Feed-Back pour l’estimation de l’IES Précur-
seur. Dans le cas de l’ERD-P, l’entrée du Filtre Feed-back n’est plus les symboles
décidés comme dans l’ERD mais sont déterminés avec une certaine probabilité
qui mesure leur fiabilité. Ainsi un symbole décidé très fiable sera directement ré-
introduit dans le Feed-Forward filter mais un symbole moins fiable sera amélioré
avant d’être réintroduit dans le filtre.
Plusieurs politiques de calcul de la fiabilité des symboles décidés existent et

donnent lieu à plusieurs versions de l’ERD-P dont la représentation générale est
donnée sur la Figure.3.3. La méthode de calcul de la confiance que nous présentons
ici est proposée en [53]. Elle est basée sur le calcul de la distance entre le symbole
reçu xn et le point de la constellation le plus proche de celui-ci. Si on appelle Δ la
distance entre les seuils de décision sur les axes (I , Q) et le point de constellation
le plus proche du symbole reçu (voir Figure 3.3), et si dy et dx correspondent aux
coordonnées de ce symbole sur ces axes, le calcul de la confiance proposée dans
[53] par rapport au symbole reçu xn sera donnée par :
min(dx+ , dx+ , dx− , dy+ , dy− )

Cxn = (3.2)
Δ
x̃n = Cxn .x̂n + (1 − Cxn ).xn (3.3)

Le symbole réintroduit dans le Feedback Filter x̃n , n’est plus le symbole décidé
x̂n comme c’était le cas pour l’ERD simple mais plutôt le symbole donné en (3.3),
calculé à partir de xn , x̂n et la confiance associée à la décision.
L’erreur de décision est donnée par la différence entre le nouveau symbole décidé
(le symbole x̃n ) et le symbole reçu xn (Confère l’équation (3.4)). Cette erreur
nous permet de bien s’apercevoir de l’intérêt de la méthode. En effet, lorsque le
symbole décidé est fiable (Cxn = 1) alors, le symbole réintroduit dans le Feedback
filter serait uniquement le symbole décidé, et l’erreur de décision correspondrait à
l’erreur classique de l’ERD. Par contre, lorsque la confiance associée à la décision
est nulle (Cxn = 0), le symbole réintroduit dans le dit filtre n’est autre que lui
même et l’erreur obtenue serait nulle et donc aucun effet ne sera observé : Il s’agit
dans ce cas de l’égaliseur linéaire récursif classique (Section 6.2.2 du Chapitre 2.
De ce fait, la mauvaise décision n’a aucune répercussion sur les futurs symboles
décidés et permet ainsi de stopper le phénomène de la propagation d’erreur.
ErnERDP = x̃n − xn = Cxn .(x̂n − xn ) = Cxn .ErnERD (3.4)
Figure 3.3 – Calcul de la Confiance associée aux symboles décidés.
La structure de l’ERD-P est ainsi donnée dans Figure 3.4 :
Figure 3.4 – Structure de l’ERDP
3.2 ERD Et ERDP Dans Un Context I-FDMA

L’objectif de cette section est d’utiliser à l’état, les égaliseurs ERD et ERD-P
pour l’égalisation du signal SC-FDMA sans apporter aucune modification à leur
structure. Mais avant de poursuivre rappelons que le signal SC-FDMA est généré
le plus souvent à base de modulateurs DFTs et IDFTs. Cette méthode emploie une
technique de multiplexage des différents utilisateurs dans le domaine fréquentiel
(Confère Figure 1.10 et 1.11), ce qui impose à la réception de ramener le signal
reçu préalablement dans le domaine fréquentiel afin de récupérer la contribution
de chaque utilisateur puis ensuite de procéder à son égalisation. Cependant, le
premier modulateur DFT du récepteur permet de faire passer le signal reçu dans
le domaine fréquentiel tandisque le dernier module IDFT ramène le signal fréquen-
tiel dans le domaine temporel. Cela révèle deux emplacements possible pour une
égalisation dans le domaine temporel. En effet pour obtenir un fonctionnement
temporel des filtres il faut soit placer l’ERD ou l’ERD-P en amont du récepteur
avant le module DFT soit en fin de réception apres le module IDFT. La seconde
possibilité n’est pas adopté ici, car la supression de l’intervalle de garde en dé-
but de réception, casse la linéearité du système et ne permet pas d’appliquer
en l’état les égaliseurs ERD et ERD-P à cet emplacement. Dans cette partie les
égaliseurs temporels ERD et ERD-P seront directement appliqués au début du
récepteur avant le premier modulateur DFT. Mais en raison du multiplexage des
utilisateurs dans le domaine fréquentiel, l’emplacement des égaliseurs en amont du
récepteur ne permet pas d’égaliser séparément le signal de chacun des différents
mobiles sans apporté une modification sur la stucture de ces égaliseurs. Ainsi,
dans cette partie nous donnerons les performances dans le cas mono-utilisateur, le
cas multi-utilsateurs sera consacré dans la section suivante avec un égaliseur que
nous adapterons.
Pour montrer l’intérêt de l’ERD-P sur l’ERD simple, nous simulerons une augmen-
tation brutale du niveau de bruit du canal afin d’observer l’effet de ces égaliseurs
sur le phénomène de propagation d’erreur. L’augmentation du niveau de bruit se
fera sur une centaine d’échantillons émis et correspondra à une augmentation de
20 dB. Deux canaux sont simulés : Le canal pedestrian-A et le véhicular-A. Un
seul utilisateur est pris en compte, avec une modulation MAQ-16 et un mapping
L-FDMA des sous-canaux. Les résultats de simulations sont donnés sur les Fi-
gure 3.5 et 3.6. Le constat sur l’erreur quadratique moyenne confirme bien la
capacité de l’égaliseur ERD-P à limiter la propagation d’erreur, ce qui n’est pas
le cas de l’égaliseur simple ERD.
3.3 EBA-DFE Dans Un Context SC-FDMA

Comme nous l’avons déjà rappelé dans la section précédente, le multiplexage des
signaux SC-FDMA est réalisé dans le domaine fréquentiel. Par conséquent, il
est plus judicieux d’appliquer aux signaux SC-FDMA, des égaliseurs fréquentiels
capable d’exploiter le signal de chaque utilisateur directement dans le domaine
fréquentiel afin de l’égaliser. L’EBA-DFE ou « Efficient Block Adaptive Décision
Feedback Equalizer »[58] en est un exemple. Cet égaliseur adaptatif par bloc,
est en effet implémenté dans le domaine fréquentiel et offre donc la possibilité
d’égaliser séparément le signal de chaque utilisateur dans ce domaine. De plus, son
0
DFE
W-DFE
-5
-10
SNR = 30 dB
EQM (dB)
Canal: Vehicular A
-15
-20
-25
-30
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000 12000
Iterations
(a) Sans Propagation d’Erreur
DFE
-5 W-DFE
-10
EQM (dB)
-15 SNR= 30 dB
Canal: Vehicular A
-20
-25
-30
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000 12000
Iterations
(b) Avec Propagation d’Erreur
Figure 3.5 – Canal Vehicular A

DFE
-5 W-DFE
-10
EQM (dB)
-15 SNR =30 dB

Canal: Pedestrian A
-20
-25
-30
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000 12000
Iterations
(a) Sans Propagation d’Erreur
0
DFE
W-DFE
-5
-10
EQM (dB)
-15
SNR = 30 dB
Canal: Pedestrian A
-20
-25
-30
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000 12000
Iterations
(b) Avec Propagation d’Erreur
Figure 3.6 – Canal Pedestrian A

fonctionnement en mode bloc le rend moins complexe à mettre en œuvre surtout

dans le cas des canaux de transmission à grande mémoire. Ces atouts justifient
notre intérêt envers cet égaliseur qui a déjà été breveté chez France Télécom et
que nous réadaptons à notre signal dans le cadre de la coopération entre Supélec
et France Télécom.
Fig. 1. Block diagram of EBA-DFE.
Figure
Denoting as 3.7 – Structure deofl’Egaliseur
the output Frequentiel
the FB1 filter, then To proceed à Retour
further, departition
we first Décisionvector EBA-DFE
the output of the filtering part can be written as as
(25) (26)
Problème de causalité
Tout comme les ERD, cet égaliseur possède deux parties essentielles : Le filtre
avant (feedforward filter ou FF filter sur la Figure 3.7) et le filtre arrière (feed-
back filter ou FB Filter sur la figure) fonctionnant tous les deux par bloc dans le
domaine fréquentiel. Cependant, il est connu que le principe du fonctionnement
par bloc des ERD introduit un problème de causalité dans le processus de dé-
cision. Pour illustrer ce problème, nous reprenons dans ce qui suit les relations
entrée/sortie bloc par bloc d’un tel égaliseur.
yQ (n + Q − 1) = XQ,M aM (n) + DQ,N bN (n)

dQ (n + Q − 1) = f {yQ (n + Q − 1)} (3.5)
Où, yQ (n+Q−1) = [y(n)..y(n + Q − 1)]t et dQ (n+Q−1) = [d (n)..d (n + Q − 1)]t

représentent les blocs de Q symboles à la sortie de l’égaliseur obtenu respective-
ment avant et après le module de prise de décision, XQ,M une matrice de dimension
Q × M formée à partir des M + Q derniers symboles reçus, M étant la longueur
du filtre forward aM (n). DQ,N représente l’équivalent de cette matrice au niveau

feedback filter bN (n), où N correspond à sa longueur. Le problème de causalité
s’illustre mieux lorsqu’on combine les deux égalités de l’équation 3.5 qui devient :
dQ (n + Q − 1) = f {XQ,M aM (n) + DQ,N bN (n)} (3.6)

La matrice DQ,N qui contient le vecteur de décisions dQ (n + Q − 1) que l’on
cherche à déterminer montre bien que cette équation pause un problème de cau-
salité. L’EBA-DFE y apporte une solution. En effet, sa structure met en évidence
un mécanisme itératif dans la boucle de décision [58] qui permet de lever l’indé-
termination de l’équation (3.6). Cette équation est résolue de manière itérative. A
chaque instant n, on définit une nouvelle équation donnée en (3.7) que l’on résout
itérativement en deux phases de traitement : La première phase consiste à initiali-
ser le vecteur de décision dQi (n + Q − 1) par un vecteur dQ0 (n + Q − 1) (confère [58]
pour plus de précision) proche de la solution finale dQ (n + Q − 1) afin de réduire
le nombre d’itérations et d’augmenter ainsi la vitesse de convergence de l’algo-
rithme. La seconde phase de traitement consiste aux itérations proprement dites :
On détermine le vecteur dQi+1 (n +Q −1) à partir de dQi (n +Q −1) selon l’équation
(3.7) et on réitère l’opération en remplaçant dQi (n + Q − 1) par sa nouvelle valeur
donnée par dQi+1 (n + Q − 1). On arrête les itérations dès que les symboles décidés
aux itérations i et i + 1 sont identiques à une erreur près. On montre que (confère
[58]) le nombre d’itérations nécessaire à la convergence de l’algorithme est limité
et on converge toujours vers la solution désirée dQ (n + Q − 1) d’autant plus vite
que l’initialisation dQ0 (n + Q − 1) est proche de la solution finale.
dQi+1 (n + Q − 1) = f {XQ,M aM (n) + g(dQi (n + Q − 1)) + g(dQ (n − 1))} (3.7)
La fonction f (.) étant celle utilisée dans l’équation (3.6), la fonction g(.) celle
correspondant au filtrage par le Feedback Filter qui est séparé selon les vecteurs
dQ (n + Q − 1) non encore décidé et le vecteur dQ (n − 1) dont les symboles sont
déjà déterminé.
Adaptation de l’égaliseur
L’égaliseur EBA-DFE est un égaliseur temporel par bloc entièrement implé-

menté dans le domaine fréquentiel afin de réduire les coûts de calculs liés aux
deux filtrages avant et arrière du DFE qui le constituent. La principale contrainte
liée à cet égaliseur, est relative aux échantillons présentés à son entrée. Ces der-
niers doivent correspondre à la représentation fréquentielle du signal issu de la
convolution linéaire entre le canal de transmission et les signaux émis par les dif-
férents mobiles. Cette contrainte pause clairement un problème d’adaptation de
cet égaliseur à notre système. En effet l’utilisation d’un intervalle de garde dans les
systèmes SC-FDMA n’a pas uniquement pour effet de réduire l’interférence entre
symboles reçus mais également une périodisation du signal transmis de chaque
mobile. Cette périodisation a une conséquence directe sur la convolution du ca-

nal car elle transforme celle-ci en une convolution circulaire. Par conséquent, il
devient nécessaire d’adapter le signal SC-FDMA reçu afin de retrouver la convolu-
tion linéaire du canal avant l’utilisation de notre égaliseur. Nous proposons deux
techniques d’adaptations différentes de ce signal dans cette partie. Ces techniques
reposent toutes sur un seul constat : Supposons donnés deux vecteurs de signaux
h(n) et x (n) de taille respectives M et N . L’expression de la convolution linéaire
entre ces deux vecteurs est donnée comme ci-dessous par le vecteur y(m) de lon-
gueur M + N − 1.
M
∑ −1
y(m) = h(k )x (m − k ) (3.8)
k =0
Lorsque xm = 0, ∀ m ≺ 0, l’équation ci-dessus serait l’expression d’une convo-
lution linéaire. Mais lorsque xm = xN +m , ∀ m ≺ 0, typiquement le cas où x (n)
est périodique, alors cette convolution serait circulaire. Dans ce dernier cas de fi-
gure, on peut obtenir une égalité parfaite avec la convolution linéaire en imposant
l’égalité (3.9) sur le signal x (m).
x (m) = 0, N −M ≺m ≺N (3.9)
C’est cette contrainte que nous imposerons au signal source émis par chaque uti-
lisateur afin d’obtenir une convolution linéaire avec le canal au niveau récepteur.
Deux possibilités s’offrent à nous : Une première solution pourrait être de rem-
placer un certain nombre des symboles placés en fin de chaque paquet source
par des symboles nuls. Cette solution est simple à implémenter mais la réduction
des symboles source dans chaque paquet émis entraine une diminution du débit
utile du signal. Une deuxième solution qui est celle que nous préconisons (Confère
[65]), consiste à rajouter un module de pré-codage des symboles sources à émettre
avant la modulation SC-FDMA. Le principe du module de pré-codage proposé
est simple : Il consiste à remplacer les symboles sources redondant dans le paquet
source à transmettre par des symboles nuls qui seront par la suite ramenés en fin
du paquet. Ce procédé garanti l’obtention d’un paquet satisfaisant à la condition
(3.9) sans aucune réduction du débit utile du signal transmis. Lorsqu’un symbole
redondant est déterminé, on le fait subir une rotation dont la phase est propor-
tionnelle à la redondance du symbole considéré. Le principe du codeur est basé
sur une contrainte forte liée à la taille des paquets sources qui doivent nécessaire-
ment être de grande taille pour favoriser la présence de symbole redondant : Si M
représente la mémoire du canal et N la taille de la constellation du signal source,
les paquets source doivent être au moins de taille M × N pour satisfaire à cette
contrainte.
Le principe du codeur est repris dans les 5 étapes suivantes :
– On recherche d’abord les symboles redondant dans le paquet à émettre
– Ensuite à chaque symbole redondant du paquet, on détermine le nombre R de
symboles redondants consécutif qui le suit
– Le premier symbole redondant est déphasé par e −j 𝜑R ou R représente le nombre

de symboles redondant immédiatement proche
– On répète ce procédé sur tous les symboles du paquet
– Enfin on complète le paquet par des symboles nuls correspondant aux nombre
de symboles redondant
Le schéma ci-dessous donne un exemple pour mieux étayer cette technique.
Entrée de l’encodeur
1+i 1-i 1-i 1-i -1+i 1-i
1- Symbole redondant ՜ 1-i

2- Calcul du nouveau symbole déphasé :
(1-i) devient (1-i).݁ ିሺ௝ఝሻோ , avec ici le nombre de symboles redondant immédiatement
proche vaut R=2.
Sortie de l’encodeur
1+i 1.366 - i0.366 -1+i 1-i 0 0
Figure 3.8 – Exemple du fonctionnement du codeur
Ce procédé est considéré comme un traitement aveugle c’est à dire sans phase
d’apprentissage. De plus on n’assiste à aucune perte en débit utile à cause du
codage effectué mais, la complexification du système du fait de l’introduction du
pré-codage est un handicap à la méthode. Cependant, l’inconvénient majeur à
cette technique réside dans la rotation des différents symboles source. Le codage
affectant la phase des symboles à émettre, change la configuration de la constel-
lation du signal. Celui-çi augmente le nombre de points de la constellation du
signal source, réduisant ainsi les seuils de détections. Par conséquent, les erreurs
de décisions sont plus nombreuses à la réception entrainant ainsi une dégradation
du taux d’erreur symboles TES.
Pour montrer les performances de cet égaliseur avec l’encodage présenté ici, nous
reprenons les deux canaux précédemment simulés à savoir le Pedestrian A et
le Vehicular A dans un contexte SC-FDMA avec un mapping L-FDMA et une
modulation 4-PSK. Le choix de la modulation en phase est justifié par le déphasage
effectué dans l’encodeur. En faisant ce choix, il suffit d’augmenter le nombre de
points de la constellation pour prendre en compte les différents déphasages. Par
exemple pour une modulation en phase 4-PSK du signal à l’entrée de l’encodeur,
on peut adopter la modulation 12-PSK qui permet de considérer au maximum
deux symboles redondant consécutifs dans l’encodeur : Dans ces conditions le
paramètre 𝜑 vaudrait 𝜋/12.
Les résultats obtenus avec cet encodeur sont présentés sur les Figures 3.9 et 3.10
j𝜋
pour les canaux simple respectivement donnés par H = [1 0.5 0.2e 2 ] et le
Pedestrian A. On peut y constater que le niveau d’erreur quadratique moyenne
est optimal et équivalent au niveau du bruit du canal. Par contre le signal à
l’entrée du décodeur présente plusieurs points de constellation qui, comme nous
l’avons déjà signifié, va accroître le taux d’erreur symbole du système.

Mais comme nous l’avons dit précédemment, l’inconvénient majeur de cette tech-
nique est la réduction des seuils de décision qui a pour conséquence d’augmenter
le taux d’erreurs symbole du système. Pour cette raison, cette proposition ne sera
pas investiguer à la suite des travaux mais pourra faire l’objet de perspectives
dans des études futures. Dans les prochaines sections, nous proposerons d’autres
techniques d’égalisation, capable de conserver le débit utile du signal source du
système SC-FDMA.
Erreur Quadratique Moyenne

5
-5
Canal : [1 0.5 0.2ejpi/4]

-10
EQM (dB)
snr = 30 dB
-15
-20
-25
-30
0 2000 4000 6000 8000 10000 12000
Itérations
Constellation Sortie Récepteur

1.5
0.5
Imag
−0.5
−1
−1.5
−1.5 −1 −0.5 0 0.5 1 1.5
Réels
Figure 3.9 – Erreur Quadratique Moyenne EQM, Constellation en Entrée/Sortie du

j𝜋
Décodeur pour le Canal H = [1 0.5 0.2e 2 ]
Erreur Quadratique Moyenne

5
−5
−10
canal = Pedestrian A
EQM (dB)
SNR = 30 dB
−15
−20
−25
−30
−35
0 2000 4000 6000 8000 10000 12000
Iterations
Figure 3.10 – Erreur Quadratique Moyenne EQM, Constellation en Entrée/Sortie du

Décodeur pour le Canal Pedestrian A
4 Adaptation au récepteur SC-FDMA d’une technique

d’Egalisation aveugle basée sur des références fantômes
4.1 Présentation de la Technique
4.1.1 Introduction
La technique des porteuses fantômes [66] [67] est une technique d’égalisation de
type aveugle, développée dans le cadre des systèmes OFDM. Il s’agit d’un nouveau
critère d’égalisation qui exploite le principe du sur-échantillonnage de signal par
zéro-padding utilisé dans les systèmes OFDM en association avec un convertisseur
numérique analogique CNA. Ce nouveau critère développé pour l’OFDM semble
être adapté aux systèmes de modulation qui s’y apparentent. C’est pourquoi nous
avons choisi de l’analyser dans le cadre des systèmes SC-FDMA dont nous avons
déjà fait le rapprochement avec les systèmes OFDM.
4 Adaptation au récepteur SC-FDMA d’une technique d’Egalisation
aveugle basée sur des références fantômes 103
4.1.2 Origine de la Technique

Pour montrer l’origine de cette idée, nous allons nous baser sur deux modéli-
sations différentes du système OFDM. En effet pour générer un signal OFDM,
deux façons distinctes existent : On peut adopter une modélisation des signaux
à l’aide de banc de filtres analogiques [68] où tous les signaux sont continus, ou
passer par une modélisation discrète basée sur un modulateur IDFT de Fourrier
et un convertisseur numérique analogique CNA. Dans une modélisation à base de
filtres analogiques, le signal OFDM résultant x (t) est obtenu après une modulation
des Nu échantillons donnés par XN (n) = (X1n ...XNu n ) par les filtres orthogonaux
t
k où {f = f + k
𝜑k (t) = u(t)e NuTs , k ∈ 0...Nu − 1} avec :
−2j 𝜋f
k 0
{ √
1/ NuTs, 0 ≤ t ≤ NuTs
u(t) = (3.10)
0, ailleurs
Nu ∑
∑ +∞
x (t) = Xkn 𝜑k (t − nNuTs) (3.11)
k =1 n=−∞
Cette modélisation nécessite Nu filtres analogiques orthogonaux comme indiqué

sur la Figure 3.11, ce qui est très complexe à mettre en œuvre surtout si le
nombre de symboles modulés croît. C’est pourquoi la modélisation discrète du
système basé sur un modulateur IDFT et un convertisseur CNA est très large-
ment utilisée en pratique. Mais cependant un problème majeur se pose quand à
l’utilisation du convertisseur CNA. En effet le signal temporel continu x (t) gé-
néré à partir de filtres analogiques, est construit uniquement sur la base des Nu
échantillons XNn donnés ci-dessus. Cependant dans une modélisation discrète, pour
que le convertisseur CNA reproduise exactement ce signal x (t) à sa sortie il faut
que le nombre d’échantillons N présenté à son entré, pendant l’intervalle de temps
NuTs, soit supérieur ou égal à Nu (N ≥ Nu). Cette condition est relative au théo-
rème d’échantillonnage de Shannon. Lorsqu’elle n’est pas observée on assiste à des
pertes d’information et le modèle discret serait obsolète. Sur le plan fréquentiel,
le sur-échantillonnage permet d’augmenter la période du spectre du signal numé-
rique qui avantage l’utilisation de filtre non sélectifs dans le convertisseur CNA.
La méthode utilisée pour éviter ce problème, est de présenter à l’entrée du conver-

tisseur CNA les échantillons du signal x (t) sur-échantillonnés. La technique utili-
sée est basée sur le principe du zéro-padding effectué dans le domaine fréquentiel
avant la modulation IDFT. Cette idée a été déjà exploitée dans d’autres contextes
comme dans l’étude de la réduction du PAPR du signal OFDM. Faire du zéro-
padding en fréquentiel revient à sur-échantillonné le signal en temporel ce qui
permet de satisfaire la condition de Shannon. Le taux de sur-échantillonnage est
donné par N /Nu et les N échantillons générés sont émis dans un intervalle de
temps de NuTs. La figure 3.12 donne un aperçu sur ce modèle discret. Il faut
noter que pour le cas multi-utilisateur (OFDMA) le zéro-padding est effectué sur
chaque paquet OFDM propre à chacun des utilisateurs.
+∞
∑X n
δ (t − nNuTs)
ϕ1 (t )
1
n=−∞
x(t )
+∞
∑X n
δ (t − nNuTs )
ϕ Nu−1 (t )
Nu
n=−∞
Figure 3.11 – Modélisation du système OFDM à base de banc de filtres analogiques
X 1n x1n
Nu
n
X Nu IDFT P/S CNA x(t )
Nz zéros 0 Nz xNn
Figure 3.12 – Modélisation discrète du système OFDM sur-échantillonné

4.2 Définition du critère d’Egalisation sur les Porteuses Fan-

tômes pour un système OFDM
4.2.1 Définition du critère
Dans la modélisation discrète du système OFDM, nous désignerons par porteuses
utiles les porteuses qui véhiculent de l’information (symboles), et nous considé-
rons comme porteuses fantômes, les porteuses mises à zéros pour la réalisation du
sur-échantillonnage. Elles sont appelées porteuses fantômes car elle n’existe pas
en réalité. En pratique, on utilise un modulateur IDFT de taille plus grande que
le vecteur de symboles présenté à son entrée.
Le but du critère d’égalisation proposé dans [66] [67], est d’imposer, au niveau
du récepteur, une énergie nulle sur les porteuses fantômes dans le domaine fré-
quentiel comme c’est le cas au niveau émetteur. En réalisant cela, on espère que
l’énergie sur les porteuses utiles seront réparties de la même façon qu’elle l’était
au niveau émetteur, ce qui reviendrait à égaliser le signal. Pour décrire ce critère
nous adopterons les notations suivantes conformément à la Figure. 3.13 :
– Nu : Taille du vecteur utile d’entrée

– Nz : Nombre de porteuses fantômes insérées
– N : Taille du modulateur IDFT, N = Nu + Nz
– xN (n) = (x1n , ⋅ ⋅ ⋅ , xNn )tN ×1 : Symbole l’Emetteur OFDM à l’instant n.
– 𝜒N (n) = (xN (n), ⋅ ⋅ ⋅ , xN (n − N + 1))N ×N
– 𝜒2N (n) = (𝜒N (n), 𝜒N (n − N + 1))N ×2N
– bN (n) = (bn , ⋅ ⋅ ⋅ , bn−N +1 )tN ×1 : Bruit gaussien du canal
– 𝛽N (n) = (bN (n), ⋅ ⋅ ⋅ , bN (n − N + 1))tN ×N
– yN (n) = (y1n , ⋅ ⋅ ⋅ , yNn )tN ×1 : Sortie du Récepteur OFDM à l’instant n
– c = (c1 , ⋅ ⋅ ⋅ , cM , 0, ⋅ ⋅ ⋅ , 0)tN ×1 : Coeffients du canal de mémoire M .
– W = (w1 , ⋅ ⋅ ⋅ , wN )tN ×1 : Coefficients du Filtre Egaliseur.
xkn (k = 1, .., N ) représentent l’échantillon n ∘ k du symbole OFDM émis à l’instant

n. La matrice 𝜒N (n) est définie par :
⎡ ⎤
x1n xNn−1 ⋅ ⋅ ⋅ x1n−1
⎢ .. ⎥
⎢ x2n x1n ↘ . ⎥
𝜒N (n) = ⎢
⎢ .. ..
⎥
⎥ (3.12)
n−1
⎣ . . ↘ xN ⎦
xNn xNn −1 ⋅ ⋅ ⋅ x1n
En tenant compte des notations prédéfinies, le critère Jzero (W ) défini en fonction

du filtre égaliseur W et permettant d’imposer une énergie nulle sur les porteuses
fantômes est donné par :
H
Jzero (W ) = 𝜀[YNz (n)YNz (n)] (3.13)
X0 (n) )
X 0 ( n)
Nu Nu
Filtre )
X Nu−1 (n) IDFT P/S CNA Canal CAN
Egaliseur
S/P DFT
X Nu −1 (n)
Nz 0 Nz Nz zéros
Figure 3.13 – Chaine de transmission du système OFDM sur-échantillonné
Où, YNz représente les Nz derniers éléments de YN (n) correspondant à la sortie

du récepteur OFDM (confère (3.16)). L’opérateur (.)H désignant la transposée
conjuguée.
Au regard de la chaine de transmission Figure. 3.13, nous pouvons donner l’ex-

pression du vecteur yN (n) à la sortie de l’égaliseur W comme suit :
yN (n) = 𝜒2N (n)CW + 𝛽N (n)W (3.14)

Où, la matrice Canal C est formée comme suit :
⎡ ⎤
c 0 ⋅⋅⋅ ⋅⋅⋅ 0
⎢
⎢ 0 c ↘ .. ⎥
⎥
⎢ . ⎥
⎢ .. . ⎥
⎢ . ↘ ↘ ↘ .. ⎥
C =⎢ ⎢ ..
⎥
⎥ (3.15)
⎢ . ↘ ↘ 0 ⎥
⎢ ⎥
⎢ .. ⎥
⎣ . ↘ c ⎦
0 ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ 0 2N ×N
Après démodulation du vecteur yN (n), nous obtenons le vecteur de sortie du
récepteur OFDM comme suit, FN désignant la matrice de Fourrier de taille N ×N :
( )
YNu (n)
YN (n) = = FN yN (n) (3.16)
YNz (n)
En adoptant les équations (3.14) et (3.16) on démontre (voir Annexe. A.1) que le
critère Jzero peut se réécrire comme suit :
Jzero (W ) = W H (U + V )W (3.17)
Où les matrices U et V sont définies par :
U = C H 𝜀[𝜒2NH (n)P 𝜒2N (n)]C (3.18)
H
V = 𝜀[𝛽N (n)P 𝛽N (n)] (3.19)
( )
H F FNu
Avec P = FNz Nz défini à partir de la matrice de Fourier FN =
FNz
La détermination du filtre égaliseur W optimal pour le critère Jzero (W ), consti-
tue un problème d’optimisation. Afin d’éviter la solution triviale W = 0, on
choisit d’imposer une contrainte d’égalité sur la norme du vecteur W donnée par
(W H W = 1) ce qui conduit à un problème d’optimisation sous contrainte que
nous allons résoudre en adoptant les multiplicateurs de Lagranges 𝜆. La fonction
de Langrange est donnée par :
J (W , 𝜆) = Jzero (W ) − 𝜆(W H W − 1) (3.20)

En prenant le gradient par rapport à W et par rapport à 𝜆 nous pouvons écrire
les relations suivantes :
{
(U + V )W = 𝜆 W
(3.21)
WHW = 1
Si nous recalculons l’expression de Jzero (W ) en partant de (3.21) nous obtenons :
Jzero (W ) = 𝜆 (3.22)
La première égalité du système (3.21), nous permet d’affirmer que 𝜆 correspond à
une valeur propre de la matrice (U + V ). De plus, l’équation (3.22) nous permet
d’affirmer que 𝜆 représente la valeur du critère Jzero (W ). Ces deux affirmations
nous permettent donc de conclure que la valeur optimale du critère Jzero (W ) n’est
rien d’autre que la plus petite valeur propre positive 𝜆zero de la matrice (U + V )
qui est définie positive. Le vecteur propre Wzero associé à la valeur propre 𝜆zero
serait donc le filtre égaliseur optimal recherché.
En réalité, le filtre Wzero obtenu précédemment, n’est pas exactement le filtre

égaliseur optimal recherché. En effet le problème que nous cherchons à résoudre est
l’optimisation du critère donné en (3.17). L’ajout de la contrainte de normalisation
(W H W = 1) certes permet d’éviter la solution triviale Wzero = 0 mais modifie le
problème posé initialement. Dans l’analyse qui suit nous montrons que le problème
initial, posé en (3.17), nous conduit à une indétermination. Pour cela, considérons
𝛼,𝜙
le filtre Wzero de norme 𝛼 et de phase 𝜙 défini comme suit (equation (3.23)),
où Wzero représente le vecteur propre associé à la valeur propre 𝜆zero obtenue
précédemment.
Wzero
𝛼,𝜙
= 𝛼e 2i𝜋𝜙n Wzero (3.23)
𝛼,𝜙
En remplaçant le filtre Wzero par le nouveau filtre Wzero dans le critère donné en
(3.17), nous pouvons écrire les relations suivantes :
𝛼,𝜙 H
Jzero (Wzero
𝛼,𝜙
) = Wzero (U + V )Wzero
𝛼,𝜙
= (𝛼e 2i𝜋𝜙n Wzero )H (U + V )(𝛼e 2i𝜋𝜙n Wzero )

H
= (𝛼)2 (Wzero (U + V )Wzero )
= (𝛼)2 Jzero (Wzero )
= (𝛼)2 𝜆zero (3.24)
𝛼,𝜙
Sachant que Jzero (Wzero ) = 𝜆zero (confère equation 3.22), le nouveau filtre Wzero
serait plus optimal que Wzero , si la norme 𝛼 est choisie de sorte que (𝛼) 𝜆zero ⩽
2
𝜆zero . Comme nous pouvons le constater, cette contrainte offre plusieurs solutions
au problème posé en (3.17). Il ya donc une indétermination à une phase et une
norme près dans l’optimisation du critère Jzero (W ). Nous verrons plus tard, dans
nos simulations, l’influence de la norme du filtre égaliseur sur la valeur optimale
du critère.
Le calcul des matrices U et V étant très complexe, les paramètres 𝜆zero et Wzero
serviront uniquement pour valider nos résultats de simulations. En pratique nous
mettrons en œuvre comme il est préconisé dans [66], un algorithme adaptatif basé
sur l’algorithme Block Least Mean Square (BLMS) avec l’approximation suivante
H (n)Y (n). Cet algorithme de minimisation est donné par :
Jzero (W ) ≈ YNz Nz
∂Jzero (n)
W (n + 1) = W (n) − 𝜇 (3.25)
∂W ∗
Où le gradient de Jzero (voir Annexe. A.2) est donné par :
∂Jzero (n) H H
= RN (n)FNz YNz (n) (3.26)
∂W ∗
4.2.2 Comparaison avec le critère du MEQM

Dans cette partie nous proposons de comparer les performances obtenues du cri-
tère Jzero (W ) avec celles données par le critère du MEQM.
Le critère MEQM appliqué sur les symboles utiles du signal à la sortie du récepteur
OFDM peut s’exprimé comme indiqué en (3.27), YNu (n) étant donné en (3.16) :
H
Jutile (W ) = 𝜀[YNu (n)YNu (n)] (3.27)
Considérons les différentes notations suivantes :
– Wzero : Le filtre optimal minimisant le critère Jzero (W )
– Wutile : Le filtre optimal minimisant le critère Jutile (W )
La quantité Jutile (Wzero ) représentera la valeur du critère Jutile (W ) obtenue lorsque

nous appliquons le filtre optimal du critère Jzero (W ). Cette quantité Jutile (Wzero ),
est celle qui nous intéresse particulièrement dans cette partie, elle sera comparée
à la valeur optimale Jutile (Wutile ) qui correspond à la valeur minimale du critère
du MEQM. La méthode utilisée pour calculer de Jutile (Wzero ) est le suivant : On
met en œuvre l’algorithme de minimisation du critère Jzero (W ) ; lorsque le filtre
égaliseur W aura convergé vers Wzero , on calculera la quantité Jutile (Wzero ).
Théoriquement on montre (confère Annexe. A.3) que Jutile (W ) et Jutile (Wutile )
sont donnés par (3.28) et (3.29) et Jutile (Wzero ) est obtenu à partir de (3.28) en
adoptant comme filtre égaliseur le filtre donné par Wzero comme indiqué en (3.30) :
Jutile (W ) = W H (U + V )W + Nu𝜎X
2
− 2ℜ[𝜀(XNH (n)FN 𝜒2N (n))CW ] (3.28)
2
Jutile (Wutile ) = Nu𝜎X − 𝜀(XNH (n)FN 𝜒2N (n))CWutile (3.29)
H 2
Jutile (Wzero ) = Wzero (U + V )Wzero + Nu𝜎X
− 2ℜ[𝜀(XNH (n)FN 𝜒2N (n))CWzero ] (3.30)
où les matrices U et V sont obtenues à partir des matrices U et V dans (3.18)

H F
et (3.19) en remplaçant la matrice P dans ces équations par P = FNu Nu , 𝜎X
2
représentant la puissance du signal d’entrée du modulateur.
Les courbes théoriques donnant les valeurs optimales Jutile (Wzero ) et Jutile (Wutile ),
obtenues à partir des expressions (3.22) et (3.28), sont données sur la Figure 3.14(a)
et 3.15(a) respectivement dans le cas d’un canal gaussien et dans le cas du ca-
nal Pedestrian A. Ces courbes théoriques permettent de montrer l’intérêt de la
méthode d’égalisation des porteuses fantômes. En effet on constate que ces deux
courbes sont presque identiques sur une large plage de rapport signal sur bruit
SNR. Sur la Figure 3.15(a), on a la preuve de l’indétermination de la norme du
filtre égaliseur optimal recherché. En effet en maintenant la norme de Wzero à
l’unité la courbe Jutile (Wzero ) sature à partir d’un SNR de 15 dB. Mais on ob-
serve que lorsque la norme de Wzero est fixée à 1.11 par exemple, les performances
sont satisfaisantes. Ce constat se remarque également dans la simulation réelle des
différents critères à partir de la chaine de transmission de l’OFDM, confère Fi-
gure 3.15(b) et 3.15(c) pour un SNR de 40 dB. I faut noter que pour des rapports
signal sur bruit assez faible on observe une différence entre les valeurs optimum
donnée par Jzero (Wzero ) et Jutile (Wutile ) et celle donnée par Jutile (Wzero .
Tous ces résultats nous permettent d’affirmer que les performances obtenues avec
le critère MEQM donné ici par Jutile (W ) peuvent être atteintes en ne minimisant
que l’énergie sur les porteuses fantômes du système. C’est un avantage considé-
rable car le critère Jzero (W ) ne fait intervenir aucun symbole déjà décidé dans
l’algorithme de minimisation. Cela a pour avantage de limiter considérablement
la propagation des erreurs de décision dans l’algorithme d’adaptation du filtre

égaliseur qui est un phénomène récurrent dans l’application du critère Jutile (W ).
Résultats de simulation: Cas OFDM Canal Gaussien

Résultat Théorique: Cas OFDM Canal Gaussien 0
10
-5
0 Jutile(W zero)
Jzero(W zero)
-10 Jzero(W zero)
-10 Jutile(W utile)
Jutile(W utile)
Jutile(W zero)
-15
-20
Valeur optimale (dB)
-20
EQM (dB)
-30
-40 -25
-50 -30
-60 -35
-70 -40
-80 -45
0 10 20 30 40 50 60 70 80 0 500 1000 1500 2000 2500 3000 3500 4000
SNR (dB) Echantillons
(a) Résultats Théoriques (b) Simulation, SNR = 40 dB
Figure 3.14 – Canal Gaussien
4.3 Adaptation et Analyse du critère d’Egalisation sur Porteuses

Fantômes dans un contexte SC-FDMA
La technique d’égalisation par porteuses fantômes, de prime à bord est bien adap-
tée pour les systèmes SC-FDMA. En effet lorsque nous reconsidérons le mapping
des sous-porteuses du système SC-FDMA (Confère Figure 1.11), on peut consta-
ter que la technique de sur-échantillonnage par zéro-padding en fréquentiel est
d’ors et déjà réalisée dans ce système dans le but de multiplexer les signaux des
différents utilisateurs.
Au regard de ce spectre, le critère des porteuses fantômes pourrait être directement
appliqué sur les sous-porteuses nulles non modulés présent naturellement dans
le système. Mais il n’est pas impossible de rajouter des porteuses nulles dans
le spectre. Dans cette partie du chapitre nous nous proposons d’adapter cette
technique d’égalisation au contexte du sujet de notre étude.
4.3.1 Adaptation du critère d’égalisation Jzero (W ) dans un contexte

SC-FDMA
Pour donner la nouvelle écriture du critrère Jzero (W ) dans le cas du SC-FDMA
nous allons dans cette partie adopter les notations suivantes :
Notations :
– Nu : La taille du vecteur de données à l’entrée du modulateur SC-FDMA.
– Nz : Le nombre de porteuses nulles ajoutées par utilisateur.
– N : La taille de l’IDFT de l’émetteur : N = L.Nu + Nz où L représente le
nombre maximum d’utilisateurs que le système peut supporter.
Résultats Théoriques: Cas OFDM Canal Pedestrian A

10
-10
-20
Valeur Optimale (dB)
-30
-40
-50
Jzero(W zero)
Jutile(W utile)
-60
Jutile(W zero): ||W zero|| = 1.11
-70
Jutile(W zero): ||W zero|| = 1
-80
0 10 20 30 40 50 60 70 80
SNR (dB)
(a) Résultats Théoriques

Résultats de simulation: Cas OFDM canal Pedestrian A SNR = 40 dB
0 Résultats de simulation: Cas OFDM Canal Pedestrian A SNR = 40 dB
0
Jutile(W zero)
-5
-5
Jzero(W zero)
-10 Jutile(W utile) -10 Jutile(W zero)
Jzero(W zero)
-15 -15
Jutile(W utile)
-20
EQM (dB)
-20
EQM (dB)
||W zero|| = 1.11
||W zero|| = 1
-25 -25
-30 -30
-35 -35
-40 -40
-45 -45
0 500 1000 1500 2000 2500 3000 3500 4000 0 500 1000 1500 2000 2500 3000 3500 4000
Echantillons Echantillons
(b) Simulation,∥Wzero ∥ = 1, SNR = 40 dB (c) Simulation,∥Wzero ∥ = 1.11, SNR = 40 dB
Figure 3.15 – Canal Pedestrian A

– eNu (n) = (e1n , ⋅ ⋅ ⋅ , eNn )t

u Nu ×1
: L’entrée de l’émetteur SC-FDMA à l’instant n.
– n n
xN (n) = (x1 , ⋅ ⋅ ⋅ , xN )tN ×1 : La sortie de l’émetteur SC-FDMA à l’instant n.
– yN (n) = (y1n , ⋅ ⋅ ⋅ , yNn )tN ×1 : Le vecteur de sortie de l’égaliseur.
– ZNu (n) : Le vecteur de sortie après le demapping des sous-porteuses à la récep-
tion.
– (.)H : l’opérateur transposée conjuguée.
Les définitions des matrices et vecteurs, C , W , 𝜒N (n), 𝜒2N (n), bN (n), 𝛽N (n)
seront celles indiquées dans la Section. 4.2.1. Pour des raisons pratiques nous
choisirons le nombre de porteuses fantômes Nz de sorte que Nz = L.nz soit un
multiple du facteur L. Dans ce cas N = L.(Nu + nz ) et le nombre Nz de porteuses
fantômes est obtenu par l’intermédiaire d’une matrice que nous nommerons H qui
permet d’inserrer nz symboles nuls au vecteur ENu (n) = FNu .eNu (n) où la matrice
FNu correspond à la matrice de la DFT de taille Nu . Pour mieux comprendre
toutes les notations décrites ici, nous conseillons au lecteurs de se referer à la
Figure. A.1.
X N ( n) xN ( n) yN (n) Z Nu (n)
ENu (n)
eNu (n) IDFT

P/S S/P
DFT
IDFT + Canal H -1
H + Egal. IDFT
CNA CAN
Bruit
M M -1
Znz (n)
Figure 3.16 – Porteuses fantômes et Chaine de transmission SC-FDMA
Le critère correspondant à la contrainte d’énergie sur les porteuses fantômes dans

le cas SC-FDMA est donnée par :
SCFDMA H
Jzero = 𝜀[Znz (n)Znz (n)] (3.31)
Où Znz représente les n(z derniers
) éléments de la sortie de la matrice de demapping
ZNu
donnée par ZNu+nz = .
Znz
D’après la chaine de transmission (Figure. A.1) on peut écrire simplement :
ZNu+nz (n) = M H .FN .yN (n) avec yN (n) = 𝜒2N (n)Cw + 𝛽N (n)w (3.32)
Toujours à partir de la chaine de transmission donnée ci dessus, les échantillons
du vecteur de sortie du modulateur SC-FDMA s’écrit

( comme
) suit, FN étant la
FL.Nu
matrice de Fourier de taille N donnée par FN = :
FNz
xkn = FNH (k ).M .H .FNu .eNu (n) pour tout k ∈ [1, .., N ] (3.33)
Avec FNH (k ) représentant la ligne n∘ k de la matrice FNH . Par soucis de clarté nous
désignerons dans toute la suite par TN (k ) le vecteur défini par :
TN (k ) = FNH (k ).M .H .FNu (3.34)

On pourra ainsi exprimer plus simplement l’expression (3.53) comme suit :
xkn = TN (k ).eNu (n) (3.35)

SCFDMA pour déterminer
Le but recherché dans cette section est de minimiser Jzero
le filtre égaliseur capable d’imposer une énergie nulle sur toutes les porteuses
fantômes. On montre après développement de l’équation (3.31), l’égalité suivante
(Confère Annexe. A.4) :
H
𝜀[Znz (n)Znz (n)] = W H C H 𝜀[𝜒2NH (n)𝒫𝜒2N (n)]CW + W H 𝜀[𝛽NH
(n)𝒫𝛽N (n)]W
(3.36)
Où la matrice 𝒫 est donnée en (3.37), MnzH désignant les nz derniers termes de la
matrice de démapping M H .
H H
𝒫 = FNH (Mnz H
) (Mnz )FN (3.37)
Par soucis de clarté posons 𝒰 et 𝒱 les matrices définies par :
𝒰 = C H 𝜀[𝜒2NH (n)𝒫𝜒2N (n)]C (3.38)
H
𝒱 = 𝜀[𝛽N (n)𝒫𝛽N (n)] (3.39)
SCFDMA comme suit :
On peut résumer le critère Jzero
SCFDMA
Jzero (W ) = W H (𝒰 + 𝒱)W (3.40)
Remarquons que cette nouvelle écriture est très proche de celle obtenue dans le
cas des systèmes OFDM (Voir (3.17)). La seule différence entre ces deux expres-
sions réside dans les matrices 𝒰 et 𝒱. Le problème d’optimisation de ces critères
reste le même et donc en adoptant exactement le même raisonnement que dans la
SCFDMA (W SCFDMA )
Section 4.2.1 on peut affirmer que la valeur optimale notée Jzero zero
SCFDMA
du critère Jzero est la plus petite valeur propre positive de la matrice 𝒰 + 𝒱.
Le vecteur propre associé à cette valeur propre est , à une phase près, la version
normalisée du vecteur Egaliseur recherché qui annulerait l’énergie sur les porteuses
fantômes. La recherche du filtre égaliseur se résume donc à déterminer les matrices
𝒰 et 𝒱.
Le calcule des matrices 𝒰 et 𝒱 peut se faire de façon théorique en se basant

uniquement sur les statistiques du signal à émettre eNu (n) et celles du bruit du
canal que nous considérons comme gaussien. Leur écritures sont donnée ci-dessous,
le lecteur pourra se reporter à l’Annexe A.4, pour le détail des calculs.
Matrice 𝒱 = [𝒱 (i,j ) ], i, j ∈ [0 : N − 1]
𝒱 (i,j ) = 𝜎b2 (N − ∣i − j ∣)𝒫 (i,j ) , i, j ∈ [0 : N − 1] (3.41)
Matrice 𝒰
[ ]
𝒰 1 𝒰2
𝒰= CH C
𝒰2 𝒰1
(i,j ) (i,j )
Avec 𝒰1 et 𝒰2 , i, j ∈ [0, .., N − 1] données par :
N∑−1 N
∑ −1 j −1 ∑
∑ i−1
(i,j ) 2 (k −i) H (p−j ) (k −i+N ) H (p−j +N )
𝒰1 = 𝜎eNu [ 𝒫 (k ,p) TN T + 𝒫 (k ,p) TN TN ]
p=j k =i p=0 k =0
(3.42)
N
∑ i−1
−1 ∑
(i,j ) (k −i+N ) H (p−j )
𝒰2 = 𝜎e2Nu 𝒫 (k ,p) TN TN (3.43)
p=j k =0
Le fait d’imposer une contrainte d’énergie nulle sur les porteuses fantômes au
niveau du récepteur comme c’est le cas au niveau émetteur, on aura nécessairement
un impact sur les porteuses utiles du signal reçu. Ce que nous espérons c’est que
cette contrainte permette de conserver la même énergie sur les porteuses utiles à
la réception que sur les porteuses utiles à l’émission. Cela reviendrait à supprimer
les effets du canal sur le signal transmis et donc à égaliser. Pour voir l’impact du
SCFDMA sur les porteuses utiles, on va déterminer l’expression théorique
critère Jzero
de l’erreur quadratique moyenne sur les porteuses utiles lorsque ce critère est mis
en œuvre.
Le critère d’erreur quadratique moyenne minimale appliqué sur les porteuses
utitles du système est donné par :
SCFDMA
Jutile = 𝜀[(ZNu (n) − ENu (n))H (ZNu (n) − ENu (n))] (3.44)
Où :
ENu (n) = FNu .eNu (n) (3.45)
Avec ZNu (n) correspondant à la partie utile de ZN (n).

En déroulant les calculs (Confère Annexe A.4) on montre que pour tout filtre
égaliseur W :
SCFDMA
Jutile (W ) = W H (𝒰 + 𝒱)W + Nu𝜎e2Nu − 2Re(RCW ) (3.46)
Les matrices 𝒰 et 𝒱 étant obtenues à partir des matrices 𝒰 et 𝒱 en remplaçant la
matrice 𝒫 dans ces expressions par la matrice 𝒫 donnée ci-dessous.
𝒫 = FNH (MNu
H H H
) MNu FN (3.47)
H représentant les Nu premiers termes de M H .
MNu
Quand à la matrice R de l’expression (3.46), elle est définie par R = [R1 R2 ] avec
R2 = 01×N et R1 (voir Annexe A.4 ) donnée par :
⎧ N∑
−1 (p−j ,p)

 2 𝒫 si j ≤ N − 1
⎨ 𝜎eNu
R1 = [R1j ] p=j


⎩
0, si j ≥ N
L’optimisation du critère donnée (3.46), nous conduit au filtre MEQM qui mini-
mise l’erreur quadratique moyenne sur les symboles utiles du signal reçu. Nous
SCFDMA . Pour obtenir ce filtre nous devons resoudre l’équation
allons le noté Wutile
donnée par :
SCFDMA (W )
∂Jutile
∂W =0
On obtient donc
SCFDMA
Wutile = (𝒰 + 𝒱)−1 C H R H (3.48)
SCFDMA sera obtenue en introduisant(3.48) dans
La valeur optimale du critère Jutile
(3.46) :
SCFDMA SCFDMA SCFDMA

Jutile (Wutile ) = Nu𝜎e2Nu − RCWutile (3.49)
Toutes les équations qui ont été développées dans cette section vont nous per-
mettre d’évaluer de façon théorique les performances obtenues lorsque nous ap-
pliquons la technique des porteuses fantômes comme technique d’égalisation. En
effet deux types de simulations seront réalisés : La première simule les équa-
tions mathématiques que nous venos de décrire à savoir Jzero SCFDMA (W SCFDMA ),
zero
SCFDMA
Jutile SCFDMA
(Wutile SCFDMA
) et Jutile SCFDMA
(Wzero ) en utilisant uniquement les sta-
tiques du signal émis. Le second type de simulation concerne les même expressions
mais cette fois-çi elles sont calculées de façon réelle, en se basant sur la chaine de
transmission. Cette simulation réelle doit être en concordances avec les résultats
de la simulation théorique des équations. Si l’égalisation par porteuses fantômes

se passe bien on devrait obtenir une approximation suivante :
SCFDMA (W SCFDMA ) ≈ J SCFDMA (W SCFDMA )

Jutile utile utile zero
4.3.2 Résultats de simulation et Interprétation

Conformément aux notations de la section précédente nous avons fixé les para-
mètres de simulation comme suit :
– Modulation : 4 − QAM
– Taille du signal d’Entrée : Nu = 4
– Porteuses nulles ajoutées : nz = 4
– Mapping des sous-porteuses : L-FDMA
Dans la méthode des porteuses fantômes, l’égalisation est effectuée sans ajout d’in-
tervalle de garde. Le seul moyen de supprimer les interférences est donc l’égaliseur
qui est effectué dans le domaine temporel en début de réception.
Nous avons tracé les courbes de l’erreur quadratique moyenne (EQM) obtenues sur
SCFDMA (W
les porteuses nulles introduites en émission (Jzero zero )) ainsi que celle obte-
SCFDMA
nue sur les porteuses utiles (Jutile SCFDMA est ap-
(Wzero )) lorsque le critère Jzero
pliqué. Nous allons également comparer les performances du critère des porteuses
fantômes avec celles du critère MEQM donné par la courbe Jutile SCFDMA (W
utile ) et
calculée sur les porteuses utiles du signal.
Cas mono-utilisateur :
Dans cette partie nous ne considérons que la transmission du signal d’un seul uti-
lisateur qui utilise toutes les ressources du système SC-FDMA (le paramètre L est
donc fixé à L = 1). Trois canaux de transmission ont été testé : Le canal gaussien,
le Pedestrian A donnée par h1 (n) = 1 + 0.3𝛿(n − 1) + 0.1𝛿(n − 2) ; et le canal
static donné par : h2 (n) = 1 + 0.3𝛿(n − 1) + 0.1𝛿(n − 2). La Figure 3.17 donne
les résultats théoriques obtenus en appliquant les différents critères mentionnés
ci-dessus en fonction du rapport signal sur bruit.
On peut constater que lorsque le canal est gaussien, Figure 3.17(a), les perfor-
mances des différents critères sont équivalentes. Pour les deux autres canaux
SCFDMA converge toujours vers le
Figure 3.17(b) et Figure 3.17(c), le critère Jzero
rapport signal sur bruit de la transmission ce qui correspond aux performances
optimales du système. Par contre les courbes données par Jutile SCFDMA (W
utile ) et
SCFDMA
Jutile (Wzero ) sur ces figures, montrent des paliers lorsque le SNR devient très
important. La présence de ces palliers peut être justifiée comme on l’a déjà mon-
trée dans la section 4.2.1. En effet le problème d’optimisation introduit en (3.40)
étant indéterminé, le filtre égaliseur optimal Wzero obtenu, n’est déterminé qu’à
une phase et une norme près. Ainsi sur les Figure 3.17(b) et 3.17(c) nous pou-
vons constater qu’en modifiant convenablement la norme du filtre Wzero , on peut
Résultats théoriques: Cas Gaussien

0
−10
JSCFDMA
zero
(Wzero)
−20 JSCFDMA
utile
(Wutile)
JSCFDMA

utile
(Wzero)
−30
−40
X: 50
Y: −50
−50
−60
−70
−80
0 10 20 30 40 50 60 70 80
SNR (dB)
(a) Gaussien
Résultats Théoriques: Canal Pedestrian A
10
−10
−20
−30
JSCFDMA
zero
(Wzero)
−40 JSCFDMA
utile
(Wutile)
JSCFDMA
utile
(Wzero): ||Wzero|| =1
−50
JSCFDMA
utile
(Wzero): ||Wzero|| =1.0500
JSCFDMA
utile
(Wzero): ||Wzero|| =1.0510
−60
JSCFDMA
utile
(Wzero): ||Wzero|| =1.0520
−70 JSCFDMA
utile
(Wzero): ||Wzero|| =1.0530
JSCFDMA
utile
(Wzero): ||Wzero|| =1.0540
−80
0 10 20 30 40 50 60 70 80
SNR (dB)
(b) Pedestrian A
Résultats Théoriques: Canal h2 =[1 0.2 0.1]
10
−10
−20
−30
−40 JSCFDMA
zero
(Wzero)
JSCFDMA
utile
(Wutile)
−50 JSCFDMA
utile
(Wzero): ||Wzero||=1
JSCFDMA
utile
(Wzero): ||Wzero||=1.0220
−60
JSCFDMA
utile
JSCFDMA
utile
−70
JSCFDMA
utile
−80
0 10 20 30 40 50 60 70 80
SNR (dB)
(c) Canal h2
Figure 3.17 – Performances théoriques des différents critères présentés

SCFDMA (W
améliorer les performances de la courbe Jutile zero ).
Pour conforter notre analyse nous avons également choisi d’implémenter toute la
chaine de transmission et de calculer les expressions des différents critères que
nous avons introduits jusque là à partir des équations (3.36) et (3.44). Le canal
Pedestrian A et le canal hp2 précédemment décrit sont réutilisés dans cette partie.
Les Figures. 3.18 et 3.19, donnent les performances en terme d’Erreur Quadra-
tique Moyenne. Le système est simulé avec un SNR de 40 dB. Ce choix permet
de voir l’effet des palliers sur les courbes de l’EQM.
Les courbes de la Figure. 3.18(a) sont obtenues en simulant les 3 valeurs optimales
SCFDMA (W SCFDMA (W SCFDMA (W
Jzero zero ), Jutile utile ) et Jutile zero ) pour un SNR de 40 dB
et pour le canal Pedestrian A. La norme imposée au filtre égaliseur Wzero dans
cette simulation est l’unité. On peut constater sur la figure, que la valeur opti-
SCFDMA (W
male Jutile zero ) est de l’ordre de 20 dB environ ce qui est loin de la valeur
optimale attendue qui est de l’ordre de 40 dB. Cette saturation à 20 dB, traduit
l’effet palier que l’on voit bien sur les courbes théoriques données indiqué sur la
Figure. 3.17(b).
En modifiant convenable la norme de l’égaliseur Wzero comme nous l’avons fait

dans les simulations théorique (Figure. 3.17(b)), on constate que la valeur op-
SCFDMA (W
timale Jutile zero ), converge très vite vers la valeur attendue, Confère Fi-
gure. 3.18(b). Ce résultat vient conforté notre analyse par rapport à l’indétermi-
nation de la norme de l’égaliseur Wzero .
L’analyse que nous venons de faire peut s’appliquer également lorsque le canal de
transmission utilisé est le canal h2 décrit au début de cette section. Les courbes
des Figure. 3.19(a) et 3.19(b) obtenues par simulation des équations (3.36) et
(3.44) montrent également le problème de l’indétermination posé par le critère
des porteuses fantômes.
Résultats de simulation: Canal Pedestrian A , SNR = 40 dB
0 Résultats de simulation: Canal Pedestran A, SNR = 40 dB
0
-5 JSCFDMA
zero
(W zero)
-5
JSCFDMA (W utile)
-10
utile
JSCFDMA (W zero)
-10 zero
SCFDMA
Jutile (W zero)
JSCFDMA
utile
(W utile)
-15 -15 ||W zero|| =1.0520
JSCFDMA
utile
(W zero)
EQM (dB)
-20 -20
EQM (dB)
-25 -25
-30 -30
-35
-35
-40
-40
-45
-45 0 500 1000 1500 2000 2500 3000 3500 4000
0 500 1000 1500 2000 2500 3000 3500 4000
(a) ∥Wzero ∥ = 1 (b) ∥Wzero ∥ = 1.0520
Figure 3.18 – Résultats de simulation : Canal Pedestrian

Résultats de simulation: Canal h2 , SNR = 40 dB

Résultats de simulation: Canal h2, SNR= 40 dB
0 0
-5 -5
-10 SCFDMA -10 JSCFDMA

zero
(W zero)
Jzero (W zero)
||W zero|| = 1.0226
JSCFDMA (W utile)
JSCFDMA
utile
(W utile) -15 utile
-15
JSCFDMA (W zero)
JSCFDMA (W zero) utile
EQM (dB)
utile
-20 -20
EQM (dB)
-25 -25
-30
-30
-35
-35
-40
-40
-45
-45
0 500 1000 1500 2000 2500 3000 3500 4000
0 500 1000 1500 2000 2500 3000 3500 4000
(a) ∥Wzero ∥ = 1 (b) ∥Wzero ∥ = 1.0226
Figure 3.19 – Résultats de simulation : Canal h2
Cas multi-utilisateur :
Les équations des différents critères que nous avons déroulées aux sections précé-
dentes, ont été obtenues avec l’hypothèse d’une communication mono-utilisateur,
un seul utilisateur occupant toutes les ressources du système. Dans cette partie
nous donnons les résultats de simulation dans le cas multi-utilisateurs (ici 2 utili-
sateurs) en simulant la chaine de transmission (confère Figure 3.20) et en adoptant
l’algorithme LMS pour la détermination des filtres égaliseurs optimaux.
0 0 0 0 0
↑ ↑ ↑ ↑ ↑
Q Symb
DFT C1
H M1 IDFT
0 0 0 0 0 + Egal
↑ ↑ ↑ ↑ ↑ DFT M1H HH IDFT
Z
Q Symb
DFT
H M2 IDFT
C2
Figure 3.20 – Cas : multi-utilisateurs
Dans cette partie du chapitre nous donnons les résultats de simulation lorsque
deux utilisateurs u1 et u2 se partagent les ressources du système au même mo-

ment. Chacun des utilisateurs possède ses propres sous-porteuses fantômes. Les
sous-porteuses du système non modulées par l’utilisateur u1 sont soit réservées
pour véhiculer le message de l’utilisateur u2 soit utilisées comme porteuses fan-
tômes. Il est donc clair, que toutes les sous-porteuses non modulées ne peuvent
pas être prises en compte dans le critère des porteuses fantômes certaines étant
destinées à un autre utilisateur.
Le canal du l’utilisateur u1 que nous allons chercher à égaliser est le canal Pe-
destrian A donné dans la section précédente. Le canal du second utilisateur est
celui donné par h2 . Les résultats de simulations sont présentés sur la Figure. ??.
SCFDMA (W
Nous constatons sur cette figure la nette différence entre Jutile utile ) et
SCFDMA
Jutile (Wzero ) lorsqu’un rapport SNR de 40 dB est appliqué. On peut remar-
quer qu’en modifiant la norme du filtre Wzero convenablement comme on l’avait
fait dans le cas mono-utilisateur pour le canal Pedestrian A, les performances de
SCFDMA (W
Jutile zero ) restent médiocre. Ce phénomène s’explique par la nouvelle ré-
partition de l’énergie sur les porteuses du système due au critère des porteuses
fantômes. En effet ce critère en imposant une énergie nulle sur les porteuses fan-
tômes introduite, entraine une répartion de l’énergie du signal de facon équitable
sur toutes les porteues du système. Cela impose qu’une partie de l’énergie du
signal se retrouve sur les porteuses nulles destinées à transmettre le signal du
deuxième utilisateur. Cette énergie est une source de perturbation du signal du
deuxième Terminal qui contribue à dégrader les performances obtenues.
En conclusion de cette partie nous pouvons affirmer que la technique des porteuses
fantômes donne de très bonnes performances lorsque le système est occupé par
un seul utilisateur par contre lorsque nous incluons plusieurs autres terminaux
le critère n’est plus applicable. Il est donc intéressant de confirmer cette analyse
en repartant sur les expressions dans le cas du signal OFDM afin d’en connaitre
l’impact de la présence de porteuses nulles, comme c’est le cas du Wifi 802.11, sur
le critère des porteuses fantômes.
4.4 Retour sur le cas OFDM

La technique d’égalisation basée sur les porteuses fantômes semble ne pas être ap-
plicable lorsque certaines porteuses du système ne sont pas modulées. C’est ce que
nous venons de constater dans la section précédente avec le système SC-FDMA,
pour lequel certaines sous-porteuses ne sont pas modulées.
Pour montrer les limites de cette technique d’égalisation, nous revenons dans
cette partie sur le cas OFDM mais cette fois-çi en ne choisissant de moduler que
certaines sous-porteuses du système.
La chaine de transmission du système OFDM montrant les sous-porteuses non
modulées du système est donnée sur la Figure 3.21.
Q Porteuses Utiles.
Nz Porteuses Nulles. →0 →0
→0 IDFT C Egal DFT →0

→0 →0
Figure 3.21 – OFDM avec porteuses nulles dans le spectre utile
Toutes les équations dévéloppées à la Section. 4.2 dans laquelle toutes les sous-
porteuses étaient modulées, restent inchangées. La seule modification dans ces
équations, observée lorsque certaines porteuses ne sont pas utilisées, concerne la
matrice U , la matrice V étant inchangée. Si nous notons par Ω l’ensemble des
indices des sous-porteuses du système OFDM non modulées, la nouvelle matrice
U que nous noterons par Ũ devient :
[ ]
H (M̃ij ) (Ñij )
Ũ = C C , (i, j ) ∈ [1 N ]
(Ñij ) (M̃ij )
Avec :
∑ j∑
i−1 −1 Nu−1
∑ (N +p−j )−(N +k −i)
M̃ij = 1
N
2
𝜎X (Tkp e j 2𝜋 N
u
)
k =0 p=0 u=0
u ∈Ω
/
N∑
−1 N∑
−1 Nu−1
∑ (p−j )−(k −i)
+ 1
N
2
𝜎X (Tkp e j 2𝜋 N
u
)
k =i p=j u=0
u ∈Ω
/
Et :
i−1
∑ N∑−1 Nu−1
∑ (p−j )−(N +k −i)
Ñij = 1
N
2 T
𝜎X kp e j 2𝜋 N
u
k =0 p=j u=0
u ∈Ω
/
La modification de la matrice U va entraîner un changement des résultats des dif-

férentes équations de la Section. 4.2 où elle intervient sans en modifier la structure.
Par soucis de clarté nous distinguerons les différents critères obtenus lorsque cer-
taines sous-porteunes ne sont pas modulées à ceux introduits dans la Section. 4.2
comme suit : Nous noterons par J̃zero (W ), J̃utile (W ), les nouveaux critères obte-
nus lorsque nous considérons la matrice Ũ et par W̃zero , W̃utile les filtres optimaux
pour ces critères.
Comme nous l’avons déjà montré dans la Section. 4.2 l’optimum du critère J̃zero (W )
correspondra dans notre cas, à la plus petite valeur propre positive de la matrice
(Ũ + V ).
La valeur optimale du critère J̃utile (W ) qui est calculé sur les sous-porteuses réel-
lement modulées du système sera également donnée comme en (3.29) par :
2
J̃utile (W̃utile ) = Nu 𝜎X − R̃C W̃utile (3.50)
La nouvelle matrice R̃ se calcule en tenant compte des sous-porteuses non modu-
lées de l’ensemble Ω : R̃ = [R̃1 R̃2 ]1×2N où R̃2 = 01×N .
Nu−1
∑ m u
Avec : R̃1 = [R̃1j ]1×N , R̃1j = 1
N
2 (N − m)
𝜎X e −j 2pi N m ∈ [1, .., N ]
u=0
u ∈Ω
/
La nouvelle expression de J̃utile (W̃zero ) s’obtient naturellement à partir du critère

J̃utile (W ) comme en (3.30) en considérant le filtre égaliseur W̃zero et la nouvelle
matrice Ũ .
[ ]
H (Ũ + V )W̃
J̃utile (W̃zero ) = W̃zero zero + Nu 𝜎X − 2ℜe R̃C W̃zero
2
Les résultats théoriques sont indiqués sur la Figure 3.22 pour un canal gaussien et
pour le canal Pedestrian A. La Figure 3.23 donne les résultats obtenus en simulant
réellement la chaîne de transmission du système OFDM. Dans nos simulations cer-
taines sous-porteuses du système OFDM sont « éteintes », nous avons choisi de
ne pas moduler 0, 1, ou 2 sous-porteuses du système.
Le constat est clair, lorsque toutes les sous-porteuses sont « allumées »c’est à dire
modulées, les résultats sont satisfaisants comme nous l’avons déjà montré dans
la Section. 4.2. Mais lorsque qu’au moins une des sous-porteuses est éteinte, les
courbes donnant les valeurs optimales J̃utile (W̃zero ) et J̃utile (W̃utile ) ne coincident
plus même malgré un choix judicieux de la norme du filtre W̃zero , confère Fi-
gure. 3.22(c), 3.22(d), 3.22(e), 3.22(f).
Ce résultat peut se constater également lorsque nous simulons réellement la chaine

de transmission voir Figure. 3.23. Il est donc impossible de généraliser l’appli-
cation de la technique d’égalisation basée sur les porteuses fantômes sans ap-
porter des améliorations. En effet lorsque certaines porteuses du système sont
« éteintes »comme c’est le cas du Wifi par exemple, la méthode n’est plus satis-
faisante. D’autres études doivent être menées pour établir mathématiquement ce
résultat. Pour l’instant, notre étude nous amêne à soulever des réserves concer-
nant cette technique. Une soultion simple serait d’associer les porteuses nulles
présentes dans le spectre du signal OFDM aux porteuses fantômes utilisées dans
d’Egalisation 123
le critère. Cependant dans le cas du système SC-FDMA cette possibilité est écar-
tée du fait que les porteuses nulles du spectre d’un utilisateur sont utilisés par
d’autres utilisateurs du système rendant impossible leur implication dans le critère
d’égalisation.
5 Nouvelles Techniques d’Egalisation Temporelles adap-

tées au Système SC-FDMA et obtenues par découplage
entre Filtre Egaliseur et Critère d’Egalisation
5.1 Problématique liée à l’application des techniques d’Egalisa-
tion Temporelles dans un contexte SC-FDMA
Les techniques d’égalisation fréquentielles sont très souvent préférées aux tech-
niques dites temporelles surtout lorsque la mémoire du canal de transmission
est assez importante. En effet pour ces types de canaux, utiliser des techniques
temporelles d’égalisation, nécessiterait des filtres égaliseurs à grand nombre de co-
eficients [69]. Par contre les égaliseurs dits fréquentiels sont non seulement simple
à mettre en œuvre mais surtout ne nécessiterait pas plus de coefficients qu’il ya
de sous-porteuses dans le signal transmis. Cependant, les performances obtenues
avec les égaliseurs fréquentiels ne sont pas toujours meilleures par rapport à celles
obtenues avec les techniques dites temporelles. Ils est donc intéressant de reconsi-
dérer ces techniques temporelles et d’en trouver des adaptations au sujet de notre
étude à savoir le SC-FDMA.
Dans le système SC-FDMA comme dans celui de l’OFDM, les symboles sont en-
voyés dans le canal paquet par paquet. Les paquets émis sont séparés par un
intervalle de garde dont le rôle est de lutter contre l’interférence ente les paquets
émis mais également de périodiser le signal transmis afin de facilité l’égalisation
dans le domaine fréquentiel. L’utilisation de l’intervalle de garde a deux consé-
quences majeures qui entravent l’application des égaliseurs temporels. En effet
la périodisation du signal émis par l’insertion de l’intervalle de garde transforme
la convolution linéaire entre signal et canal en une convolution circulaire. Ainsi
certaines techniques temporelles qui ne tiennent pas compte de ce phénomène ne
sauront être directement appliquées. L’autre handicap la plus contrayant à l’utili-
sation des égaliseurs temporels est la non-linéairité introduite au niveau récepteur
par la suppression de l’intervalle de garde. En effet dans le système SC-FDMA
comme dans celui de l’OFDM, la toute première oprération de la démodulation
est la suppression de l’intervalle de garde qui a absorbé l’interférence entre pa-
quets. Cette opération casse la linéairité du système, et rend donc inéfficace tous
les traitements linéaires comme les techniques d’égalisation dites temporelles.
Dans la section suivante nous proposons une technique simple permettant de

s’affranchir des contraintes liées à l’utilisation de l’intervalle de garde afin de
Résultats Théoriques: Cas OFDM Canal Pedestrian A

Résultat Théorique: Cas OFDM Canal Gaussien 10
10
0
0
Jzero(W zero)
Jutile(W utile) -10
-10
Jutile(W zero)
-20
-20

-30 -30
-40 -40
-50 -50
Jzero(W zero)
-60 Jutile(W utile)

-60
Jutile(W zero): ||W zero|| = 1.11
-70 -70
Jutile(W zero): ||W zero|| = 1
-80
0 10 20 30 40 50 60 70 80 -80
0 10 20 30 40 50 60 70 80
SNR (dB) SNR (dB)
(a) Gausssien : Aucune Porteuse étteinte (b) Pedestrian A : Aucune Porteuse étteinte
Canal Gaussien: Sous-porteuse N°1 éteinte
Canal Pedestrian A: Sous-porteuse N°1 Etteinte
10
10
0
0
-10
-10
-20
-20
-30
EQM (dB)
-30
-40
-40
-50 Jzero(W zero)

-50
Jzero(W zero)
Jutile(W utile)
-60 Jutile(W utile)
-60
Jutile(W zero)
Jutile(W zero), ||W zero|| = 1.11
-70 -70
Jutile(W zero), ||W zero|| = 1
-80 -80
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70 80
SNR (dB) SNR (dB)
(c) Gausssien : Porteuse N∘ 1 étteinte (d) Pedestrian A : Porteuse N∘ 1 étteinte

Canal Gaussien: Sous-porteuse N°1 et N°2 éteinte Canal Pedestrian A: Sous-porteuse N°1 et N°2 Ettein tes
10 10
0 0
-10 -10
-20 -20
-30
EQM (dB)
-30
-40 -40
-50 -50 Jzero(W zero)
Jzero(W zero) Jutile(W utile)

-60 -60
Jutile(W utile) Jutile(W zero), ||W zero|| =1.11
-70 Jutile(W zero) -70 Jutile(W zero), ||W zero|| =1
-80 -80
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70 80
SNR (dB) SNR (dB)
(e) Gausssien : Porteuse N∘ 1 et 2 étteintes (f) Pedestrian A : Porteuse N∘ 1 et 2 étteintes
Figure 3.22 – Résultats Théoriques

d’Egalisation 125
Résultats de simulation: Cas OFDM, Canal Pedestrian A, SNR =40

0 Résultats de simulation: Cas OFDM, canal Pedestrian A, SNR = 40 dB
0
-5 || W zero|| = 1 Jutile(W zero) Jutile(W zero)

-5
Jzero(W zero) Jzero(W zero)
-10 ||W zero|| = 1.11
Jutile(W utile) Jutile(W utile)
-10
-15
-15
-20
EQM (dB)
EQM (dB)
1 sous-porteuse non modulée
-20
-25
-25
-30
-30 1 sous-porteuse non modulée

-35
-40 -35
-45 -40
0 500 1000 1500 2000 2500 3000 3500 4000 0 500 1000 1500 2000 2500 3000 3500 4000
(a) Porteuse N∘ 1 étteinte, ∥Wzero ∥ = 1 (b) Porteuse N∘ 1 étteinte, ∥Wzero ∥ = 1.11
Résultats de simulation: Canal Pedestrian A, SNR = 40 dB Résultats de simulation: Canal Pedestrian A, SNR = 40 dB
0 0
Jutile(W zero)
-5 Jutile(W zero)
-5
Jzero(W zero)
Jzero(W zero)
-10 Jutile(W utile) ||W zero|| = 1. 11
-10 Jutile(W utile)
-15
-15
-20
EQM (dB)
EQM (dB)
-20
||W zero|| =1 Porteuse N° 1 et 2 étteintes
-25
Porteuses N° 1 et 2 Etteintes
-25
-30
-30
-35
-40 -35
-45 -40
0 500 1000 1500 2000 2500 3000 3500 4000 0 500 1000 1500 2000 2500 3000 3500 4000
(c) Porteuse N∘ 1 et 2 étteintes, ∥Wzero ∥ = 1 (d) Porteuse N∘ 1 et 2 étteintes, ∥Wzero ∥ = 1.11
Figure 3.23 – Résultats de simulations : Canal Pedestrian A

pouvoir tirer un meilleur profit des techniques d’égalisations temporelles.
5.2 Découplage entre Filtre Egaliseur et critère d’Egalisation

Au niveau du récepteur du système SC-FMDA (confère Figure 1.9), le filtre éga-
liseur temporel pourrait être appliqué en deux emplacements possible correspon-
dant au domaine temporel : Soit en début de réception ou soit en fin de réception.
L’hypothèse n∘ 2, n’est pas envisageable dans notre cas du fait que le récepteur
devient non linéaire avec la suppression de l’intervalle de garde. En effet, lorsque
le filtre égaliseur est placé en fin de réception, il perd sa linéarité du fait que la
suppression de l’intervalle de garde intervient plus tôt dans la chaine de réception.
La seule possibilité qui s’offre à nous est l’hypothèse n∘ 1 pour laqueele le filtre
égaliseur est déployé en début de réception. Dans ce cas précis, La suppression de
l’intervalle de garde intervient apres le traitement de l’égaliseur, le problème que
nous venons d’évoquer ne se pause plus. Le signal à l’entrée de l’égaliseur serait
en ce moment le résultat de la convolution circulaire entre le signal émis et la
réponse impulsionnelle du canal auquel est additionné du bruit.
Dans cette dernière hypothèse que nous adoptons par la suite, la suppression de
l’intervalle de garde en réception se fera ainsi après l’égalisation temporelle et
ce avant toute opération de démodulation. Cela permet de garder un système li-
néaire jusqu’au module d’égalisation, nécessaire pour le bon fonctionnement du
filtrage temporel. Cependant, le filtre égaliseur proprement dit, n’est pas le seul
module qui intervient dans un système d’égalisation. Il est aussi pris en compte
le critère d’égalisation et l’algorithme d’optimisation du critère choisi. En effet,
pour accroître les performances de l’égaliseur, à chaque nouveau symbol reçu les
coefficients du filtre sont ré-adaptés en fonction d’un certain critère.
De façon générale le critère d’égalisation est appliqué à la sortie du filtre égaliseur.

Mais dans la configuration que nous proposons à savoir de placer le filtre égaliseur
en début de réception, nous nous devons de pauser la question de l’emplacement
du critère dans la chaine de réception du système.
Les critères d’égalisations sont nombreux, certains s’appliquent directement sur les
symboles de sortie de l’égaliseur comme nous venons de le mentionner, d’autres
sur la sortie d’un autre module du récepteur placé après l’égaliseur dont le ré-
sultat est ensuite ramenée à la sortie de l’égaliseur grâce à un phénomène de
feedback. Dans le cadre du système SC-FDMA, les utilisateurs sont multiplexés
dans le domaine fréquentiel. L’égalisation étant propre à chaque utilisateur, il est
obligatoire que le critère s’applique après démultiplexage des utilisateurs, c’est à
dire soit dans le domaine fréquentiel à la sortie du dé-multiplexeur, ou soit dans
le domaine temporel à la fin du récepteur. La seconde solution dévéloppée dans
le domaine temporel semble être la mieux adaptée à notre système du fait que
le fitrage effectué dans le domaine temporel ne nécessite aucune transformation
d’Egalisation 127
temps-fréquence.
Pour résumer, la solution que nous préconisons dans le cadre des systèmes SC-
FDMA permettant l’application des techniques d’égalisation temporelles, est de
séparer le filtre égaliseur placé en amont du récpteur et le critère d’égalisation ap-
pliqué en aval du récepteur à travers l’algorithme d’optimisation comme le montre
la Figure 3.24 donnée ci-dessous.
.....
Filtre S/P DFT
…
Egaliseur De-mapping IDFT P/S Algorithme
Sous canaux D’adaptation
Figure 3.24 – Découplage entre filtre égaliseur et algorithme d’égalisation
Cette solution même si elle est adaptée à notre système ne résoud pas pour au-
tant le problème de la non-linéarité introduite par la suppression de l’intervalle de
garde. En effet, avec le découplage que nous proposons la suppression de l’inter-
valle de garde intervient entre l’égaliseur et l’agorithme d’optimisation du critère
d’égalisation. Par conséquent, il va de soit que les coefficients fournis par l’algo-
rihtme d’optimisation du critère soit impactés par la non-linéarité. De plus les
tailles des différents paquets avant et après suppression de l’intervale de garde
n’étant plus les mêmes, une réadaption de la taille du vecteur de sortie de l’ago-
rithme s’impose avant toute mise à jour des coefficients de l’égaliseur. Un ajuste-
ment de la taille du vecteur de sortie de l’égaliseur est donc nécessaire.
Le problème des tailles des paquets que nous venons de soulever qui empêche
d’opérer directement un feedback de la sortie de l’algorithme d’optimisation vers
le filtre égaliseur, peut être résolu sans grande complexité. L’idée que nous préconi-
sons pour cela est de reconstituer l’intervalle de garde à la sortie du filtre égaliseur
en supposant que l’égaliseur a convergé. Pour cela nous nous plaçons dans le cas
d’une égalisation parfaite. En effet lorsque le filtre égaliseur est optimal pour le
critère adopté, alors la déconvolution du canal est parfaite, ce qui dans ce cas
signifie que la superposition entre le canal de transmission et le filtre égaliseur se
réduit à un simple retard. Dans ce cas précis, l’IES en sortie de l’égaliseur est nulle
c’est à dire que l’intervalle de garde introduite au niveau émetteur reste inchangé
à la sortie de l’égaliseur. Par conséquent pour reconstituer l’intervalle de garde à
la sortie de l’égaliseur, il suffit donc de recopier la fin du paquet égalisé en entête
de celui-ci. C’est ce principe que nous mettons en oeuvre dans nos simulations.
5.3 Application de quelque critères classiques temporels

Dans cette partie du chapitre, nous adaptons quelques critères classiques d’égalisa-
tion au modèle d’architecture que nous venons de proposer à savoir le découplage
entre filtre égaliseur et algorithme d’égalisation.
Un algorithme d’optimisation sera chargé d’appliquer sur les symboles de sortie
du récepteur, le critère choisi afin de fournir un vecteur de correction au filtre
égaliseur dans l’objectif de le faire converger vers le filtre optimal pour le critère
choisi.
Pour étayer nos propos nous adopterons dans cette partie les nouvelles notations
suivantes : ẽQ = (ẽn , ⋅ ⋅ ⋅ , ẽn+Q−1 )tQ×1 représentera le vecteur de sortie du récep-
teur, et êQ = (ên , ⋅ ⋅ ⋅ , ên+Q−1 )tQ×1 le vecteur obtenu après prise de décision au
niveau symbole relativement à la constellation du signal transmis. Nous supposons
également les notations suivantes :
– Q : La taille du vecteur de données à l’entrée du modulateur SC-FDMA.
– N : La taille de l’IDFT de l’émetteur
– Cp : La longueur de l’intervalle de garde, et Ncp = N + Cp
– eQ (n) = (en , ⋅ ⋅ ⋅ , en+Q−1 )tQ×1 : L’entrée de l’émetteur SC-FDMA à l’instant n.
– rNcp (n) = (rn , ⋅ ⋅ ⋅ , rn+Ncp −1 )tNcp ×1 : Le vecteur reçu à l’instant n.
– RNcp Ncp (n) = (rNcp (n), ⋅ ⋅ ⋅ , rNcp (n − Ncp + 1))Ncp ×Ncp : Une matrice constituée
des Ncp − 1 derniers symboles reçus.
– WNcp (n) = (Wn , ⋅ ⋅ ⋅ , Wn+Ncp −1 )tNcp ×1 : Le filtre égaliseur à Ncp coefficients.
5.3.1 Le critère MEQM
Le critère du minimum d’erreur quadratique moyenne MEQM que nous avons déjà
longuement décrit dans la Section 4.4 du Chapitre 2, peut facilement être adapté
à notre nouvelle architecture [70]. En effet ce critère permet de déterminer un
filtre égaliseur capable de minimiser l’erreur entre les symboles démodulés, ẽQ (n),
et les symboles obtenus après prise de décision êQ (n). Etant appliqué directement
sur les symboles démodulés, ce critère par conséquent, pourra être mis en œuvre
en aval du récepteur après démodulation du signal et ce conformément à l’ar-
chitecture que nous avons proposé dans la section précédente. En tenant compte
des notations précédemment adoptées, l’expression de ce critère sera donnée par
l’équation (3.51).
d’Egalisation 129
{ }
JMEQM (WNcp (n)) = E [ẽQ (n) − êQ (n)]2 (3.51)
Dans l’architecture que nous proposons, la sortie du filtre égaliseur correspondant

à un vecteur de Ncp éléments, sera ensuite débarrassée de l’interférence entre
symbole introduite par le canal grâce à une suppression de l’intervalle de garde
qui donnera un vecteur de taille plus réduite N que nous nommerons par la suite
ZN (n). C’est ce vecteur qui sera par la suite démodulé afin de retrouver le vecteur
émis correspondant êQ (n), obtenu à partir du vecteur démodulé ẽNu (n) donné
ci-dessous.
A noter que dans cette Figure, le filtre égaliseur est commun à tous les utilsateurs
du système ; il permet qu’une démodulation à la fois. Cependant lorsque plusieurs
utilisateurs sont démodulés en parrallèle, il est nécessaire de duppliquer ce filtre
autant de fois qu’il ya d’utiliseurs.
ẽNu (n) = FQH M H FN ZN (n) (3.52)
La partie algorithme de l’architecture que nous proposons, fournit un vecteur

de correction ΔN W (n) destiné à l’adaptation des coefficients de l’égaliseur. Il se
résume en l’équation donnée en (3.53), le vecteur ΔN W (n) pouvant être considéré
comme un feedback de l’erreur de décision obtenue en sortie du récepteur vers
l’entrée du premier module DFT du récepteur (voir Figure 3.24).
ΔN W (n) = FNH MFQH (ẽQ (n) − êQ (n)) (3.53)
L’algorithme d’optimisation LMS, permet ensuite de déterminer les nouveaux

coefficients de l’égaliseur grâce à une opération linéaire comme indiquée en (3.54),
où ErNcp correspond à l’erreur en sortie du récepteur.
WNcp (n + 1) = WNcp (n) − 𝜇 ErNcp (n) (3.54)
La détermination du vecteur ErNcp est complètement basée sur celle du vecteur

ΔN W (n). En effet la différence entre ces deux vecteurs qui sont respectivement la
sortie de l’égaliseur et l’entrée du module DFT du récepteur, se résume à la sup-
pression de l’intervalle de garde. Cette opération n’étant pas linéaire il est impos-
sible de reconstituer exactement le vecteur ErNcp à partir de la seule connaissance
de ΔN W (n). Mais comme nous l’avons déjà décrit dans la section précédente
nous avons fait l’hypothèse que lorsque l’égaliseur converge, l’IES à la sortie de
l’égaliseur est nulle. Cela signifierait que l’entête du vecteur de sortie de l’égaliseur
serait équivalente à une copie de la fin de ce dernier. Ainsi une façon simple de
reconstituer le vecteur ErNcp est de recopier la fin du vecteur ΔN W (n) (les Cp
derniers éléments) à son entête. Cette opération se traduit par l’équation suivante :
Er (n + p) = ΔW ((n + p) mod N ), p ∈ [0, .., Ncp − 1] (3.55)

5.3.2 Le critère CMA

Dans les systèmes de communication, les perturbations des canaux de transmis-
sion conduisent le plus souvent à la déformation de l’enveloppe complexe du signal
transmis. Une des techniques les plus répandues permettant de récupérer les pro-
priétés de l’enveloppe complexe du signal est l’algorithme du CMA (Constant
Modulus Algorithm) [71]. Cet algorithme, en effet, cherche à minimiser la dévia-
tion de la puissance instantanée du signal démodulé obtenu à la sortie du récepteur
par rapport à une certaine valeur Rp (voir Equation (3.56)) calculée en fonction
du signal à émettre eQ (n).
E {∣eQ (n)∣2p }
Rp = . (3.56)
E {∣eQ (n)∣p }
La fonction de coût de cet algorithme CMA [46] est donné ci-dessous.
{[ ]}
JCMA = E ∣eQ (n)∣2 − Rp (3.57)
Le vecteur de correction destinée à l’adaptation des coefficiens de l’égaliseur que

nous avons introduit dans le paragraphe précédent, est donné dans le cas du CMA
par l’expresion (3.58).
ΔN W (n) = FNH MFQH (∣eQ (n)∣2 − Rp )eQ (n) (3.58)
Le filtre égaliseur WNcp ainsi que la sortie de l’égaliseur ErNcp sont obtenus comme
dans le paragraphe précédent mais avec la nouvelle écriture du vecteur ΔN W (n)
donné en (3.58).
La Figure 3.25 donne une comparaison de l’EQM obtenue à la fin du récepteur,
lorsque les coefficients du filtre égaliseur sont adaptés à partir des trois algorithme
à savoir le ZF, le MEQM et CMA. La simulation a été réalisée pour le canal Pe-
destrian A et avec un SNR de 30dB . On peut y constater que le CMA donne un
niveau d’EQM assez élevé comparativement aux deux autres algorithmes. Cela
se justifie par le fait que le CMA est un critère aveugle dans le sens où aucun
symbole est supposé connu au niveu récepteur ; seules les statistiques de second
d’ordre du signal transmis sont utilisés dans la détermination du algorithme à
travers les relations (3.57) et (3.58).
Il faut noter que l’algorithme du CMA est bien adapté pour les modulations à
module constant comme les modulations de phase. Cependant même si cet al-
gorithme fonctionne également avec les modulations en quadrature (MAQ), il
est moins adapté à ce type de modulation, du fait qu’il génère un bruit propre
dans ces conditions [72]. Pour cela une généralisation de cet algorithme nommé
CNA »Constant Norm Algorithm « a été proposée [47], [73] permettant d’englo-
ber les différents type de modulations. LE CMA devenant bien enttendu un cas
particulier du nouveau algorithme CNA.
d’Egalisation 131
Les différentes courbes présentées sur la Figure 3.25, nous montrent les avantages
de chacun des algorithmes ZF, MEQM. On peut affirmer, que l’algorithme ZF
converge presqu’aussi instantannément. Cependant même si l’algorithme MEQM
possède une meilleur valeur optimale de l’EQM elle converge assez lentement ce
qui est un handicap pour notre système. Pour profiter des avantages de chacun de
ces deux algorithmes nous proposons dans la section suivante une technique semi-
aveugle combinant ZF et MEQM permettant d’améliorer la vitesse de convergence
du MEQM.
10
MMSE
5 ZF
CMA
−5 SNR 30 dB
EQM (dB)
−10
−15
−20
−25
−30
0 200 400 600 800 1000 1200 1400 1600
Itérations
Figure 3.25 – Erreur Quadratique Moyenne pour un canal Pedestrian A : Cas des
Algorithmes du CMA, ZF et MEQM
5.3.3 Nouveau critère critère semi-aveugle ZF-MEQM

Dans la Section.2.1, nous avons largement évoqué la technique d’égalisation du
Zéro-Forçing préconisée dans le cadre des systèmes SC-FDMA et conformément
aux spécifications 3GPP [74]. Mais comme on a pu le souligner, cette technique
implique une réduction de l’efficacité spectrale du système par le nombre de sym-
boles pilotes qui sont insérés dans le signal. Ceci constitue un désavantage pour
cette technique. D’un autre coté nous avons également abordé l’égaliseur adap-
tatif basé sur le critère MEQM qui ne nécessite aucune insertion de symboles de
références garantissant ainsi une efficacité spectrale optimale. De plus, on a pu
constater que cette technique donne de meilleures performances que celle obtenue
avec la technique ZF en ce qui concerne la valeur optimale de l’EQM calculée

en sortie du récepteur. On pourrait donc préférer cette dernière technique à celle
du ZF. Cependant, un égaliseur basé sur ce principe est plus complexe à mettre
en œuvre en terme de nombre d’opérations comparé à celui du ZF et de plus la
vitesse de convergence est beaucoup plus lente (Confère les Section 2.1 et 2.2).
Pour profiter des avantages de ces deux techniques, nous proposons dans cette
section, de combiner la technique du Zéro-Forçing et celle du MEQM pour non
seulement réduire le taux de pilotes insérés dans le signal dans le cadre du ZF
mais également d’obtenir une Erreur Quadratique moyenne (EQM) satisfaisant à
la sortie du récepteur grâce à l’utilisation de la technique MEQM (Confère [75]).
Le nouveau critère qui en découle est semi-aveugle, du fait qu’une partie des sym-
boles émis est connue au niveau récepteur (pilotes) et que le reste du signal qui
intervient également dans l’égalisation n’est pas supposé connu au récepteur.
Dans cette méthode, des symboles pilotes sont régulièrement introduits dans le
signal à émettre mais avec un taux qui reste assez faible par rapport à celui utilisé
dans le cadre du critère ZF. La dégradation des performances, occasionnée par
cette réduction du nombre de pilotes, est compensée par l’application du critère
MEQM sur les symboles utiles. Notons que la combinaison des deux critères est
opérée lors de la mise à jour au fil de l’eau des coefficients du filtre égaliseur. Nous
adoptons les notations suivantes : RQ l (n, q) le signal reçu dans le domaine fré-
quentiel, n représentant le temps, q l’indexe du sous-canal considéré et l celui des

∼
utilisateurs. PQl (n, q) représentera le symbole pilote associé et H lQ (n, q) l’estimée
de la fonction de transfert du canal.
l (n, q)
RQ
∼
l
H Q (n, q) = , q ∈ {1, .., Q} (3.59)
PQl (n, q)
l (n, q)
RQ
l
DQ (n, q) = ∼ (3.60)
l (n, q)
H Q
Le filtre égaliseur utilisé est un simple filtre linéaire placé en amont du récepteur,
et ce conformément à la découpe que nous avons proposée au début du chapitre.
Les coefficients de ce filtre sont mis à jour au fil de l’eau, soit à partir de l’erreur
quadratique moyenne obtenue par application du critère MEQM, soit par celle
obtenue par application du critère ZF. Le fonctionnement du système est bien
illustré sur le schéma synoptique de la Figure. 3.26. En effet, lorsqu’un symbole
pilote arrive au niveau récepteur, une estimation de canal est effectuée dans le
domaine fréquentiel par une simple inversion du pilote 3.59. Cette estimée de la
réponse du canal, est ensuite inversée 3.60 (critère ZF) pour la détermination du
filtre égaliseur correspondant. Il faut noter que la juxtaposition de ces deux opéra-
tions est complètement transparente sur les symboles pilotes. En effet lorsque nous
d’Egalisation 133
appliquons successivement les équations 3.59 et 3.60 nous retrouvons exactement

le symbole pilote PQl (n, q) reçu dans le domaine fréquentiel. Ainsi, le passage dans
le domaine temporel donne parfaitement en sortie du récepteur le symbole pilote
temporel émis. Par conséquent, l’erreur de décision calculée à l’instant n à la sor-
tie du récepteur est parfaitement nulle. Cette erreur ne saurait donc influencer les
coefficients du filtre MEQM, il est donc clair qu’il est inutile d’introduire le critère
du ZF en cet instant de la réception.
Erreur ZF Erreur ZF Erreur ZF
Egalisation ZF Egalisation ZF Egalisation ZF
. …. .
MEQM MEQM MEQM MEQM
Pilote
Donnée
Figure 3.26 – Combinaison des égaliseur type ZF et MEQM
La solution que nous proposons pour prendre en compte le critère ZF, est de calcu-
ler l’erreur obtenue non pas à la réception du symbole pilote mais sur la réception
du symbole suivant le symbole pilote. Cela donnera une erreur non nulle calculée
en appliquant le critère d’égalisation ZF sur le symbole précédent. C’est cette
erreur que nous appellerons ErZF n à l’instant n, qui sera utilisée pour adapter les
coefficients du filtre égaliseur à cet instant. En résumé, le critère ZF est appliqué

aux instants pilotes, puis l’erreur de décision obtenue à la sortie du récepteur aux
instants immédiats aux instant pilotes, sont utilisées pour le calcul des coefficients
de l’égaliseur. Aux autres instants, c’est le critère MMSE qui est appliqué.
Le critère ZF ayant une vitesse de convergence plus rapide que celle du critère
MMSE, l’erreur ErZF n permettrait d’accélérer la convergence du filtre égaliseur
MEQM. Cette combinaison permet donc de profiter à la fois de la vitesse de

convergence du ZF ainsi que du faible niveau d’EQM du critère MEQM.
Les Figures 3.27(a) et Figures 3.27(b) comparent les performances obtenues en
termes d’EQM entre les techniques ZF, MMSE ainsi que leur combinaison aveugle
ZF-MMSE que nous avons proposé dans cette section. Pour prendre en compte
l’aspect multi-utilisateur, trois mobiles sont simulés dans cette partie. L’un trans-
met dans un cnal pedestrian A qui est celui que nous chercherons à égaliser, les
deux autre mobiles utilisent respectivement les canaux h1 (n) et h2 (n) donnés ci-
contre : h1 (n) = [1 0.3 0.1] et h2 (n) = [1 0.4 0.2]. On utilise une modulation
16-QAM, de puissance unitaire 𝜎x = 1. On suppose que les canux sont bruités par
un signal gaussien avec un rapport signal à bruit qui vaut snr = 30dB . Un map-
ping L-FDMA avec les paramètres suivant : Taille du module DFT Q = 4 , et le
facteur de sur-échantillonage L = 3. Les Figures 3.27(a) et Figure 3.27(b) donnent
les résultats en termes d’EQM respectivement pour un taux de symboles pilotes
de 71 et 50 1
. On peut remarquer que lorsque les symboles pilotes sont introduits
le plus souvent (tel est le cas de la Figure 3.27(a)), le critère MMSE influence
average energy σx2 = 1. An AW GN noise is used with
peu les performances de l’égaliseur ZF-MMSE.
the SN R = 30dB. The SC-FDMA mapping used in this
−16
Dans ces situations, leMMSE critère ZF
prend le pas sur le critère MMSE. Par contre, lorsque le taux de symboles de
ZF
−18 MMSE+ZF
simulation is the L-FDMA with the following parameters:
références est faible,
L=3, Q=4. Fig. 8 and Fig. 9 show the performances obtainedles performances de notre
−20
égaliseur ZF-MMSE sont plutôt
with the three equalizersproches
for 1/7 anddu 1/50
l’égaliseur
referencesMMSErate. Inque celles de l’égaliseur ZF. On peut le constater
−22
sursupposed
la Figure 3.27(b). Ainsi en choisissant un taux adéquat des symboles pilotes
MSE(dB)
all of the simulation we a good synchronization.

At any references step, a ZF criterion is applied to estimate a
introduits dans le système, on peut avoir les −24
avantages combinés de l’égaliseur ZF
specific user channel that will be used for semi-blind equalizer
à savoir
coefficients updating. The Table une plusthe
6 gives grande vitesse de convergence,
performances −26 et de l’égaliseur MMSE à savoir
un niveau d’EQM très
obtained in the case of different references rate. We can faible. On peut voir
−28
sur la Figure 3.27(a) que la courbe
d’EQMrate
notice that more the reference pour is l’égaliseur
high more the ZF-MMSE
mean converge au bout de 400 itérations lorsque le
taux de pilotes insérésapproaches
est de 17 alors qu’elle est plus lente sur1000la 1200
Figure 3.27(b)
−30
square error level of the semi-blind equalization 0 200 400 600 800 1400 1600
Samples
the one obtained with the ZF criterion. Figure 9 and 8 give
puiceque la valeur optimale de l’EQM de ce égaliseur y est atteinte qu’au bout de
an illustration in the case of 1/7 and 1/50 reference rate.
Actually, when pilots are itérations
700 inserted morepouroftenunthetaux
MMSE de pilotes de 50 .
1 Fig. 8. MSE Curves: References rate=1/7
criterion do not influence enough the equalizer coefficients.

is used with
Another interesting point−16of the proposed semi-blind equalizer MMSE
−15
used in this ZF
MMSE
is the convergence delay. −18 We can notice that the MSE curve MMSE+ZF
ZF
g parameters: MMSE+ZF
in both Figures (8 & 9) decreased quickly in the case of semi-
nces obtained −20
blindrate.
ences technique
In compared to the simple MMSE criterion. This −20
is due to the ZF criterion, −22 used even at the beginning of the
MSE(dB)
nchronization.
MSE(dB)
equalization.
to estimate a The equalizer filter coefficients quickly converge
−24
because
blind equalizer of the good channel estimation at the beginning with
−25
ZF criterion.
performances But as we can
−26 see in Table 7, there is no important
MSE
rate. Welevel
can change when−28we decreased the references rate in
the case
ore the mean of semi-blind technique. This is due to the very low
on approaches that we obtain
decision error −30
0
after
200
the
400
first
600
channel
800
estimation.
1000 1200 1400 1600 −30
0 200 400 600 800 1000 1200 1400 1600
To sum
9 and 8 giveup, the semi-blind technique we proposed
Samples
outperforms Samples
the ZF rate.
eference equalizer in term of MSE level, and outperforms the 1 1
(a) 8.Taux
MSEde symboles Pilotes (b) Taux de symboles Pilotes
n MMSE
the MMSE equalizer in term ofFig. convergence Curves: References
delay. rate=1/7
7 Fig. 9. 50
MSE Curves: References rate=1/50
r coefficients.
blind equalizer
VI.−15Figure
C ONCLUSION 3.27 – Performances en termes d’Erreur Quadratique Moyenne
MMSE
In this
he MSE curve paper a new semi-blind equalizer has been proposed ZF [4] “Utra utran long term evolution lte and 3gpp system architecture
MMSE+ZF evolution sae,” 2004.
for SCFDMA
case of semi- system in time domain. The filtering part of this [5] J. Berkmann, C. Carbonelli, F. Dietrich, C. Drewes, and W. Xu, “On
equalizer
criterion. Thisis located in front
−20
of the receiver and we applied a 3g lte terminal implementation - standard, algorithms, complexities and
combination
ginning of the of ZF and MMSE 6 Conclusioncriterion on the receiver output challenges,” pp. 970–975, 6–8 Aug. 2008.
MSE(dB)
[6] H. G. Myung and al, “Peak-to-average power ratio of single carrier fdma
forconverge
ckly equalizer coefficients updating. The performances obtained signals with pulse shaping,” IEEE PIMRC, vol. 1, Sep. 2006.
in a semi-blind
eginning with context are better in terms of mean square
level compared to the ZF
Dans le but de proposer
−25 criterion adopted in 3G LTE and
des solutions plus performantes que celle préconisée
[7] U. Sorger, D. Broeck, and M. Schnell, “Interleaved fdma -a new spread-
spectrum multiple-access scheme,” Proc.IEEE ICC’98, June 1998.
s no important
permits
rences dans le standard LTE
ratetoinreduce the useful throughput degradation by using à savoir une [8] égalisation parE. Costa,
T. Frank, A. Klein, inversion de l’estimée
and E. Schulz, du ca-mul-
“Ifdma - a promising
tiple access scheme future mobile radio systems,” PIMRC, 2005Berlin.
lessvery
o the references
low nal estimation.
for channel de transmission (technique
Another advantage in ZF), [9] J.nous
Lim, H.avons investigué
G. Myung, K. Oh, and D.dans ce chapitre
J. Goodman, des
“Channel-dependent
semi-blind context iségaliseurs
nelaestimation. −30
the gain inplus
termsélaborés
of qui
convergence permettent d’obtenir
scheduling of uplinkde meilleures
single performances
carrier fdma systems,” au
IEEE 64th Vehicular
0 200 400 600 800 1000 1200 1400 1600 Technology Conference, VTC-2006 Fall., 2006.
delay compared to the blind
d outperforms MMSE equalizer
Samples delay. We [10] “Technical specification group radio access network; physical layer
are investigating
utperforms the other criteria combinations to obtain better aspects for evolved utra (release 7).”
performances. A Constant Modulus Fig. 9. MSE Algorithm CMA israte=1/50
Curves: References tested [11] Popovic and B.M, “Generalized chirp-like polyphase sequences with
optimum correlation properties,” IEEE Trans.Info.Theory., vol. 38, July
in frequency domain. 1992.
been proposed [4] “Utra R EFERENCES

utran long term evolution lte and 3gpp system architecture
evolution sae,” 2004.
ng part ofG.
[1] H. this
Myung, J. Lim, and D. J. Goodman, “Single carrier fdma for
[5] J. Berkmann, C. Carbonelli, F. Dietrich, C. Drewes, and W. Xu, “On
uplink awireless transmission,” IEEE Vehicular Technology Magazine,
we applied 3g lte terminal implementation - standard, algorithms, complexities and
vol. 1, Sep. 2006.
eceiver output challenges,” pp. 970–975, 6–8 Aug. 2008.
6 Conclusion 135
prix d’une certaine complexité. Nous avons ainsi pu adapter dans un contexte
mono-utilisateur, pour des raisons que nous avons déjà évoquées, l’égaliseur DFE
ainsi qu’une version améliorée de celui à savoir le W-DFE qui permet de lutter
contre la propagation d’erreur dans le système. Un autre égaliseur, l’EBA-DFE,
basé également sur le DFE, et dévéloppé dans le domaine fréquentiel a aussi été
adapté à notre système et a permi une considération du cas multi-utilisateurs.
Une autre technique d’égalisation basée sur l’exploitation des différentes sous-
porteuses nulles du spectre du signal SC-FDMA a été également proposé dans
ce chapitre et nous a permis de conclure sur les limites de tels procédés. Enfin,
nous avons proposé une solution permettant la séparation au niveau récepteur de
la structure d’égalisation et de l’algorihtme d’optimisation en elle même, rendant
possible la combinaison des deux techiques ZF et MMSE qui permet une réduc-
tion du taux de symboles pilotes inséré dans le signal, selon la valeur optimale de
l’EQM souhaitée.
Chapitre 4
Techniques d’estimation de canal

pour les systèmes SC-FDMA
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . 138
2 Technique classique d’Estimation Fréquentielle de ca-
nal : Technique du Zéro-Forcing (ZF) . . . . . . . . . 138
2.1 Présentation de la technique ZF . . . . . . . . . . . . . 138
2.2 Application de la technique ZF dans un contexte SC-
FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2.3 Performances et limites de la méthode . . . . . . . . . . 142
3 Nouvelle méthode d’estimation de canal basée sur les
techniques d’ajout de signal . . . . . . . . . . . . . . . 145
3.1 Positionnement par rapport aux techniques existantes . 145
3.2 Présentation de la technique dans un contexte de signal
monoporteuse . . . . . . . . . . . . . . . . . . . . . . . . 146
3.3 Application de la techniques dans un contexte SC-FDMA148
3.4 Choix du signal ajouté . . . . . . . . . . . . . . . . . . . 149
3.5 Etudes des performances obtenues dans un contexte SC-
FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
4 Estimation de canal par Filtrage dans un domaine
Transformé : Cas de forte mobilité . . . . . . . . . . . 156
4.1 Contexte d’application de la technique . . . . . . . . . . 156
4.2 Principe de la technique de filtrage de l’ICI . . . . . . . 156
4.3 Présentation de la technique dans un contexte SC-FDMA158
4.4 Choix de la répartition des pilotes dans le spectre du
signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.5 Filtrage dans le domaine Transformé . . . . . . . . . . . 160
4.6 Modification de la structure de filtrage pour le cas du
SC-FDMA . . . . . . . . . . . . . . . . . . . . . . . . . 163
4.7 Résultats de simulation . . . . . . . . . . . . . . . . . . 168
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . 172
138 Techniques d’estimation de canal pour les systèmes SC-FDMA
1 Introduction
Dons ce chapitre nous présentons de nouvelles techniques d’estimation adaptées
au système SC-FDMA, toutes appartenant à la classe des techniques dites Data-
Aided(DA) [76] ou ajout de signal. Pour cette catégorie d’estimateurs, l’infor-
mation à priori utilisée est une partie du signal émis localisée dans le domaine
temps-fréquence et appelée séquence d’apprentissage ou de références. Dans la
Section. 2.1 nous revenons sur la technique d’estimation du Zéro-Forcing telle
qu’elle est suggérée dans la norme du LTE pour les systèmes SC-FDMA, la Sec-
tion. 2.2 présente une nouvelle technique d’estimation dont la séquence de réfé-
rence utilisée est localisée sur toutes les fréquences porteuses du signal transmis
et est constituée de signaux particuliers dont les statistiques seront exploitées à
la réception pour estimer le canal. Enfin la Section. 2.3, introduit également une
nouvelle technique d’estimation de canal permettant de réduire conséquemment
le niveau de l’interférence entre sous-porteuses du canal (ICI) introduit en cas de
forte mobilité.
2 Technique classique d’Estimation Fréquentielle de ca-

nal : Technique du Zéro-Forcing (ZF)
La technique d’estimation Zéro-Forcing de canal dans le domaine fréquentiel est
une technique classique d’estimation bien adaptée aux systèmes multi-porteuses
comme l’OFDM. Elle relève de la classe des estimateurs supervisés (Data-Aided)
qui utilisent soit une séquence d’apprentissage localisée dans l’espace temps soit
des symboles pilotes répartis sur le spectre du système dans l’espace des fré-
quences, auquel on associe souvent une technique classique d’interpolation. Cette
technique a été suggérée dans la norme 3GPP LTE pour l’estimation de canal des
systèmes SC-FDMA qui même s’il s’agit de systèmes mono-porteuse, a beaucoup
de ressemblance avec le système OFDM comme nous l’avons déjà évoqué dans
la Section. 6.1 du Chapitre. 1. Dans cette Partie nous revenons sur le principe
de cette technique que nous appliquerons plus particulièrement aux systèmes SC-
FDMA. Une étude des performances et des limites de la technique sera ensuite
menée toujours dans le cadre des systèmes SC-FDMA.
2.1 Présentation de la technique ZF

De façon général, la réponse impulsionnelle d’un canal radio mobile variant dans
le temps peut être représentée par un filtre RIF comme indiqué en (4.1). Cepen-
dant, les techniques d’estimations fréquentielles de canal opèrent en mode paquet.
Cela suppose que les canaux considérés soient invariant pendant toute la durée
d’émission de chaque paquet. Ainsi seuls les canaux quasi-stationnaires seront en-
visageables pour l’application de ces techniques. L’équation (4.2) en donne une
représentation mathématique.
Zéro-Forcing (ZF) 139
∑
h(𝜏, t) = 𝛼n (t)e −j 2𝜋fc 𝜏n (t) 𝛿(𝜏 − 𝜏n (t)) (4.1)
n
∑
h(𝜏 ) = 𝛼n e −j 2𝜋fc 𝜏n 𝛿(𝜏 − 𝜏n ) (4.2)
n
La technique d’estimation de canal ZF, est une technique dont le rôle est d’estimer
la réponse fréquentielle du canal, (4.3). Il est donc plus judicieux d’appliquer
cette technique d’estimation dans le domaine fréquentiel. Mais pour des raisons
de complexité de traitement, il n’est pas indiqué d’opérer un passage dans le
domaine fréquentiel avant de mettre en œuvre cette technique. C’est pourquoi les
systèmes qui se prêtent bien à la technique ZF sont celles dont la démodulation
intervient directement dans le domaine fréquentiel comme par exemple l’OFDM
et le SC-FDMA. Chaque coefficient estimé dans ce domaine représente alors la
réponse fréquentielle du canal sur une sous-porteuse donnée.
La technique d’estimation de canal ZF va de pair avec le principe de l’insertion
de l’intervalle de garde [77]. En effet, l’insertion de l’intervalle de garde a un
rôle double : Il permet non seulement de périodiser le signal émis mais également
d’absorber les interférences entre symboles ou IES générées par les multi-trajets du
canal. La périodisation du signal émis permet de transformé la convolution linéaire
du canal en une convolution circulaire qui est exploitée dans la technique du ZF.
En effet sachant que la DFT de la convolution circulaire entre deux signaux discret
correspond au produit des DFT de chacun de ces signaux, nous pouvons écrire
l’équation (4.4) ou Hk et Yk représentent respectivement les réponses fréquentiel
du canal et du paquet émis avec Wk le bruit du canal sur la porteuse n∘ k.
On peut constater que dans cette équation les symboles Yk n’interfèrent pas. C’est
le second avantage procuré par l’intervalle de garde.
Hk = DFT {hn } (4.3)
Rk = Hk Yk + Wk (4.4)
Dans cette équation (4.4), lorsque les symboles source sont considérés connus au
moment de l’estimation du canal ils sont qualifiés de symboles de références ou
symbole pilotes. Pour obtenir une estimée du canal, il suffirait donc de diviser le
signal reçu sur chacune des sous-porteuses du signal par le symbole de référence
qui le module : C’est la technique d’estimation par Zéro-Forcing.
Il existe deux méthodes d’insertion de symboles de références : On peut avoir
une insertion soit dans le domaine temporel ou ils sont considérés comme une
séquence d’apprentissage, ou soit dans le domaine fréquentiel où certaines sous-
porteuses du signal seront dédiées pour les transmettre durant toute la durée de la
communication. Les deux méthodes peuvent également être combinées pour une
estimation en temps et fréquences du canal de transmission.
2.1.1 Estimation ZF basée sur des séquences d’apprentissage

Les séquences d’apprentissage ou préambule sont des séquences insérées au dé-
but de chaque communication permettant ainsi d’estimer le canal de transmis-
sion avant l’envoie du signal informatif. Cette technique est très intéressante si
le canal ne subit aucune variation après la période d’apprentissage. Cependant,
la moindre variation du canal lors de la transmission du signal informatif empê-
cherait toute détection en réception et ce de façon irréversible. Pour prendre en
compte cette possibilité, les séquences d’apprentissage sont régulièrement insérées
pendant toute la durée de la communication. Par exemple dans le cas précis des
systèmes SC-FDMA (voir la Section 6.3.3 du Chapitre 1) une séquence d’appren-
tissage est insérée au milieu de chaque slot (Confère Section 6.3.1 du Chapitre 1)
comme le montre la Figure. 4.1. Dans ce cas, l’estimation intervient à chaque
fois qu’une séquence d’apprentissage est détectée à la réception. L’inconvénient
de cette méthode est bien sur la diminution du débit du signal informatif : Plus il
ya des séquences d’apprentissage meilleure sera la poursuite du canal qui se paie
par une diminution de débit utile.
Pilote
Data
Fréquence
temps
Figure 4.1 – Répartition temporelle des Pilotes
2.1.2 Estimation ZF par pilotes répartis et interpolation

L’estimation de canal par répartition de pilotes est une technique permettant d’es-
timer en permanence sur chaque paquet transmis, la réponse fréquentielle du canal
sur les sous-porteuses du système, dédiées à l’envoie des symboles pilotes. Cette
fois-ci les pilotes sont insérés dans le domaine fréquentiel et sur certaines sous-
porteuses. La Figure. 4.2 en est un exemple. Etant donné que les pilotes ne sont
pas localisés sur tous les sous-canaux, il est alors nécessaire de procéder par inter-
polation afin de déterminer les coefficients du canal sur toutes les sous-porteuses
du signal. En effet lorsque l’espacement des sous-canaux dédiés aux pilotes est très
inférieur à la bande de cohérence du canal qui correspond à l’inverse du retard
maximal engendré par les multi-trajets, alors les sous-porteuses voisines seront
pratiquement influencées de la même manière par le canal. Ainsi il est possible
d’estimer la réponse du canal sur toutes les sous-porteuses voisines situées à l’in-
térieur de deux sous-porteuses pilotes quelconque par une simple interpolation.
Les techniques d’interpolation sont nombreuses [78] : On peut citer l’interpolation
linéaire de premier ordre [79] dont le principe est indiqué en (4.5) avec 𝛼 ≺ 1 ,
l’interpolation du second ordre [80], la technique du sur-échantillonnage basée sur
la Transformée de Fourier etc... Ces techniques seront comparées à la Section 4.
Une autre classe d’interpolation combinant les domaines temps et fréquence et ba-
sée sur la corrélation des symboles dans ces deux domaines est également utilisée
dans certains systèmes.
Hk = 𝛼Hk −1 + (𝛼 − 1)Hk +1 (4.5)
Pilote
Data
Fréquence
temps
Figure 4.2 – Répartition fréquentielle des Pilotes
2.2 Application de la technique ZF dans un contexte SC-FDMA

2.2.1 Retour sur la génération du signal SC-FDMA
Comme nous l’avons décrit dans le Chapitre 1, la modulation SC-FDMA peut se
décomposer en trois principales parties qui sont : Un modulateur FFT, un mo-
dule d’allocation de ressources fréquentielles, et pour finir un modulateur IFFT.
La modulation FFT transforme les symboles sources du domaine temporel dans
le domaine fréquentiel. Le module d’allocation des ressources va répartir les sym-
boles fréquentiels obtenus sur l’ensemble des sous-porteuses du système selon deux
modes de répartition possible à savoir le mode localisé et le mode distribué. Le
module IFFT permet ensuite de ramène les symboles fréquentiels dans le domaine
temporel.
Cette dernière partie de la modulation SC-FDMA, qui n’est rien d’autre que de
la modulation OFDM, justifie la qualification de ce système d’OFDM pré-codé.
Cette ressemblance à l’OFDM pose naturellement la question de la réutilisation
dans un contexte SC-FDMA, des techniques d’estimation de canal développées
dans le cadre de la modulation OFDM. C’est ainsi que la technique classique
d’estimation fréquentielle de canal précédemment détaillée et beaucoup utilisée
dans la modulation OFDM a été suggérée lors de normalisation du LTE pour la
démodulation du signal SC-FDMA. Tout le dimensionnement des trames du LTE
suppose une utilisation de cette technique à la réception.
2.2.2 Intervalle de garde

Pour absorber l’interférence entre symbole, la technque utilisée consiste à insèrer
un Intervalle de Garde (IG) ou « Cyclic Prefix (CP) »sur chaque paquet transmis
dans le canal (Confère Section 6.3 du Chapitre 1). Il s’agit uniquement de copier la
fin de chaque paquet que l’on rajoute au début de celui-ci (Voir Figure 1.23). Ainsi
lorsque le retard maximal du canal est inférieur à la longueur de l’intervalle de
garde, tout se passe bien c’est à dire que toutes les interférences seront absorbées.
Par contre lorsque le retard maximal du canal est grand devant la longueur de
l’intervalle de garde, toute l’IES ne sera pas absorbée et l’estimation risque d’être
médiocre.
2.2.3 Signaux de références

Come nous l’avons déjà évoqué dans la Section 6.3.3 du Chapitre 1, dans la norme
3GPP LTE il existe un paquet dédié aux signaux de références dans chaque slot
du signal SC-FDMA. Les signaux de références constituant un paquet SC-FDMA,
sont localisés sur toutes les sous-porteuses du système. Cela permet ainsi une
estimation du canal porteuse par porteuse par une simple inversion des symboles
pilotes. Par contre les signaux de références n’étant insérés seulement qu’une fois
sur sept dans le temps (voir Section 6.3.3 du Chapitre 1) , les performances de
l’estimation seront entachées dans des situations où le canal varie très vite dans
le temps ce qui nous a conduit à la proposition de la Section.4.
2.3 Performances et limites de la méthode

Dans cette partie nous donnons en termes d’Erreur Quadratique Moyennes EQM
et en termes de Taux d’Erreur Symboles TES les performances obtenues avec le
critère ZF que nous venons de présenter dans le cas d’un système SC-FDMA. La
bande utilisée est celle à 5 Mhz donnée dans le Tableau. 1.1 et le mapping des
sous-porteuses considéré est le L-FDMA adopté dans la norme LTE. Une confi-
guration du système à deux terminaux est également adoptée.
Les performances optimales en termes d’EQM sont obtenues dans le cas d’une
estimation parfaite de canal. Ces performances seront utilisées comme une borne
de référence dans toutes les simulations ci-dessous.

En réalité, l’estimation ZF du canal telle que nous l’avons présentée dans cette sec-
tion, est entachée par le bruit du canal (4.4). Ce bruit, étant modifié par la réponse
fréquentielle de l’égaliseur quel qu’il soit, le rapport signal sur bruit à la sortie de
l’égaliseur augmente. Cela a pour conséquence la dégradation des performances
en termes d’EQM par calculée sur les symboles démodulés. La Figure 4.3 montre
ce constat en comparant les performances entre estimation parfaite et estimation
ZF du canal Pedestrian dont les caractéristiques sont données Figure 2.10 et 2.11.
L’égaliseur utilisé est celui du Zero-Forçing qui consiste à la simple inversion du
canal estimé.
−5 Canal gaussien
Estimation ZF & Egalisation ZF
Estimation Parfaite & Egalisation ZF
−10
−15
EQM
Canal Pedestrian A
(dB)
−20
−25
−30
−35
0 2000 4000 6000 8000 10000
Echantillons
Figure 4.3 – Erreur Quadratique Moyenne : Canal Pedestrian A, snr = 30 dB
Si nous considérons maintenant un canal plus difficile à égaliser comme le Véhi-

cular channel (Figure 2.10 et 2.11), pour lequel la réponse fréquentielle contient
des évanouissements très profond Figure 2.10, on observe que les dégradations
des performances sont plus importantes. En effet les évanouissements profonds
augmentent d’avantage le bruit à la sortie de l’égaliseur. Ainsi même en cas d’es-
timation parfaite, les performances obtenues seront tributaires de la qualité de
l’égaliseur adopté. L’égaliseur MEQM est mieux adapté que celui du ZF dans ces
situations comme on peut le constater sur la Figure 4.4.
La Figure 4.5 donne les performances en termes de taux d’erreurs symboles lors-
qu’une estimation de canal de type ZF est adoptée. On y compare les performances
obtenue lorsque l’on associe les égaliseurs ZF et MEQM.
Canal gaussien
−5 Estimation ZF & Egalisation ZF
Estimation ZF & Egalisation MEQM
Estimation Parfaite & Egalisation ZF
−10
−15
EQM
(dB)
−20
Canal Vehicular A, bruit à 30 dB
−25
−30
−35
0 2000 4000 6000 8000 10000
Echantillons
Figure 4.4 – Erreur Quadratique Moyenne : Canal Véhicular A, snr = 30 dB
0
10
−1 Canal Pedestrian A
10
TES: Taux d’Erreur Symboles
−2
10
−3
10
−4
10
Canal gaussien
−5 Estimation Parfaite & Egalisation ZF
10
Estimation ZF & Egalisation ZF
−6
10
4 5 6 7 8 9 10
Eb/N0 (dB)
Figure 4.5 – Taux d’erreurs symboles TES : Canal Pedestrian A

de signal 145
3 Nouvelle méthode d’estimation de canal basée sur

les techniques d’ajout de signal
Dans cette section, nous proposons une nouvelle technique d’estimation de canal,
appelée technique d’estimation par ajout de signal. Cette nouvelle technique re-
lève de la catégorie supervisée du fait du signal ajouté qui peut être considéré
comme un signal de référence. Le but de la technique est d’améliorer l’efficacité
spectrale du système. L’idée de base de cette manipulation est simple : On cherche
à ajouter sur le spectre du signal utile, un signal aléatoire dont les statisques seront
exploitées à la réception pour estimer les perturbations du canal sur chacune des
sous-porteuses du signal reçu. Dans les publications, on rencontre des techniques
basées sur le même principe mais utilisé pour d’autres ojectifs, par contre dans le
cadre de l’estimation de canal aucune investigation n’est encore proposée dans ce
sens. Notre contribution a fait l’objet de la publication [81].
Dans ce qui suit nous présentons dans un premier temps la technique proposée
dans le cas d’un signal mono-porteuse avant de l’appliquer au contexte des sys-
tèmes SC-FDMA.
3.1 Positionnement par rapport aux techniques existantes

Comme nous l’avons déjà évoqué, la technique d’estimation par ajout de signal
relève de la catégorie des techniques supervisée ou Data-Aided.
Plusieurs techniques d’estimation appartiennent à cette même catégorie chacune
avec ses avantages et inconvénients. L’estimation de canal dans le domaine fré-
quentiel par exemple, présentée dans la section précédente en fait partie. Cette
technique basée sur l’utilisation de porteuses dédiées pour l’estimation de canal
dans le domaine des fréquences, comme dans la norme du WIFI IEEE 802.11n,
engendre un problème crucial qui est la dégradation de l’efficacité spectrale du si-
gnal et donc du débit utile transmis. De plus, cette technique ne permettant pas à
elle seule d’estimer les perturbations du canal sur les sous-porteuses non dédiées à
l’estimation, sont couplées dans la plupart des cas à d’autres techniques d’interpo-
lation afin d’estimer les perturbations du canal sur l’ensemble des sous-porteuses
du signal. L’interpolation n’étant jamais parfaite, des erreurs d’estimation sur les
porteuses non dédiées seront engendrées et vont générer des dégradations en terme
de TEB.
D’autres techniques toujours dans la catégorie supervisée consistent à dédier un
intervalle de temps dans la trame d’émission du signal qui sera utilisé pour vé-
hiculer les symboles pilotes. L’inconvénient majeur de cette possibilité suggérée
dans la norme LTE pour le SC-FDMA, est la contrainte de quasi-stationnarité
du canal nécessaire pour que l’effet du canal sur le signal soient le même entre
deux intervalles de temps dédiés à l’estimation. Cela revient à supposer de forte
dégradations en terme de TEB lorsque le canal fluctue assez fortement.
La technique d’estimation par ajout de signal permet de résoudre ces deux pro-
blèmes. En effet le signal ajouté étant dans la bande de fréquences du signal utile,
aucune sous-porteuse dédiée est nécessaire pour la mise en œuvre de la méthode.

De plus le signal ajouté se retrouve sur toutes les sous-porteuses du signal utile,
il n’ya donc pas besoin de coupler la méthode avec d’autres techniques d’inter-
polation qui risqueraient de dégrader le TEB. Mais si la technique d’estimation
par Ajout Signal résout ces difficultés, deux hypothèses majeures et contrariantes
sont à considérer pour le bon fonctionnement de la proposition. La première est
relative au canal de transmission qui doit rester constant pendant un temps re-
lativement long pour assurer une estimation fiable des coefficients du canal. La
seconde contrainte est liée à la puissance du signal ajouté. Plus la puissance de
celle-ci est faible par rapport à la puissance utile sur la sous-porteuse, moins l’esti-
mation sera correcte. Par contre du fait que le signal ajouté est sur la même bande
de fréquence que le signal utile, la détection du signal utile sera moins bonne à
la réception si la puissance ajoutée dépasse un certain seuil. Un compromis doit
donc être trouvé pour assurer une estimation de canal sans une forte dégradation
des performances en terme TEB. Nous discuterons dans la suite de ce compromis.
3.2 Présentation de la technique dans un contexte de signal mo-

noporteuse
3.2.1 Statistiques du premier et second ordre
Avant d’introduire la technique d’estimation par ajout de signal, nous commen-
çons par rappeler une propriété statistique basique sur les signaux discrets. En
effet, l’espérance mathématique d’un signal ergodique et discret {sn }n∈[1,...,N ] peut
être approchée par sa moyenne statistique comme indiquée en (4.6). L’égalité étant
atteinte lorsque le nombre de symbole pris en compte est suffisamment élevé. L’hy-
pothèse d’ergodicité étant applicable aux signaux radio mobile, la relation (4.6)
sera utilisée par la suite dans la description de la nouvelle technique d’estimation
proposée. De plus les signaux radio-mobile étant stationnaires, on pourra appro-
cher la fonction d’inter-corrélation entre deux signaux donnés par {sn }n∈[1,...,N ] et
{yn }n∈[1,...,N ] , par la moyenne statistique de leur produit comme indiqué en (4.7).
N
1 ∑
E [sn ] ≈ sn (4.6)
N
n=1
N
[ ∗
] 1 ∑ ∗
E sn yn−r ≈ sn yn−r , ∀ r ∈ [0, ..., N − 1] (4.7)
N
n=1
3.2.2 Description de la méthode : Cas de signaux monoporteuse

Considérons {sn }n∈[1,...,N ] , un signal informatif modulant une certaine porteuse
aux instants n ; à laquelle on ajoute {yn }n∈[1,...,N ] , un autre signal aléatoire mo-
dulant la même porteuse aux même instants. Le signal résultant transmis dans le
canal sur cette porteuse, sera donné donc en (4.8), avant tout filtrage de mise en
forme.
de signal 147
xn = (sn + yn ) , n ∈ [1, .., N ] (4.8)
Après le passage dans le canal, le signal obtenu au niveau récepteur dans le

domaine fréquentiel sera donné en (4.9), où Yn et Sn sont les représentants
fréquentiel du signal informatif et du signal aléatoire ajouté ; {Hn }n∈[1,...,N ] et
{Wn }n∈[1,...,N ] étant respectivement la représentation fréquentielle des coefficients
du canal et du bruit additif.
Rn = (Sn + Yn ).Hn + Wn , n ∈ [1, .., N ] (4.9)
Si les réalisations Sn et Yn sont supposées aléatoires, l’inter-corrélation entre le

signal reçu {Rn }n∈[1,...,N ] et le signal ajouté {Yn }n∈[1,...,N ] , CRn Yn (m), sur la
porteuse considérée, sera donnée par :
CRn Yn (m) = Hn (CSn Yn (m) + CYn Yn (m) + CWn Yn (m)) (4.10)
Posons les hypothèses suivantes sur la nature du signal {yn }n∈[1,...,N ] ajouté. Nous
discuterons par la suite (voir paragraphe 3.4) le choix d’un tel signal :
– E [yn ] = 0
– var (yn ) ∕= 0
– Le signal yn est indépendant des signaux sn et wn
Sous ces trois hypothèses, l’équation (4.10) permet d’écrire la relation (4.11) en
prenant m = 0 dans cette expression.
CRn Yn (0) = Hn varYn (4.11)
On peut ainsi obtenir une estimée du coefficient Hn du canal sur la porteuse

considérée de la manière suivante :
E [Rn ∗ Yn ]
Ĥn = (4.12)
varYn
Considérons un canal quasi-stationnaire pour lequel le temps de cohérence est
très élevé. Dans ce cas nous pouvons considérer que le canal reste constant sur
plusieurs symboles transmis (les Q derniers par exemple) ; c’est à dire ∀ q ∈
[n − Q, .., n] , Hq = Hn . Etant donné que les signaux reçus sont ergodiques,
l’équation (4.7) nous permet d’approcher l’inter-corrélation CRn Yn (m) au moyen
d’une sommation sur les Q derniers paquets reçus. En effet on pourra écrire :
n
∑
1
CRn Yn (m) ≈ Rq ∗ Yq (4.13)
Q
q=n−Q+1
L’égalité parfaite est atteinte lorsque Q est suffisamment élevé. Par conséquent
l’estimation du canal par ajout de signal sur la porteuse considérée, sera obtenue
par l’expression suivante :

n
∑
1
Q Rq ∗ Yq
q=n−Q+1
Ĥn ≈ (4.14)
varYn
3.3 Application de la techniques dans un contexte SC-FDMA

Dans cette partie nous appliquons la technique d’égalisation proposée, dans le
cadre des systèmes SC-FDMA. A chacune des sous-porteuses du système on peut
appliquer la technique précédemment décrite. Considérons un émetteur SC-FDMA
dans lequel on rajoute directement dans le domaine fréquentiel sur chacune des
p
8 sous-porteuses
p
et à chaque
fpTechniques paquet transmis,
d’Egalisation Proposéesun signal
Pour Les aléatoire
Systèmes Y n au signal
SC-FDMA
utile Sn (Confère figure 4.6).
Figure
Figure 4.6 1.2 – Emetteur
– Modification SC-FDMASC-FDMA
de l’Emetteur Et Ajout de: Ajout
Signal de Signal
A la réception après les étages DFT et De-mapping, le signal résultant sur chacune
des sous-porteuse fp du système aux
1
instants
n
∑ ∗ est
q n, q donné par Rnp comme suit :
Q Rp Yp
n ∗p q=n−Q+1
HpR ≈ (Snp YnYp ).H p
+ Wnp (1.13)
(4.15)
n = +var u n
Où : Snp et
Comme Ynp sont
indiqué dansles la représentant
section (1.1.3)fréquentiel du signal
le signal ajouté informatif
doit vérifier sn etproprié-
certaines du signal
p p
tés aléatoire ajouté sur lasoit
pour que l’estimation porteuse . Hn avons
efficace.fpNous , Wn choisi
étant d’adopter
respectivement la représentation
des signaux aléatoires
fréquentielle
gaussiens qui sontdu canal
à la et du bruit gaussien
fois orthogonaux au bruit etadditif.
au signal utile. Pour cela nous avons
n n
considéré le signal
L’estimation du𝜎Bcanal
p Q )) pour
sur chacune
n (an .sin(2𝜋 deslesous-porteuses
bruit du canalfpetdu𝜎Ysystème
p peut donc
n .ℜe(an .cos(2𝜋
Q )) se
pour le signalàajouté,
ramener l’étudeoùfaite
an est unelevariable
dans aléatoire
paragraphe gaussienne
précédent. et complexe
Ainsi donc si de l’onmoyenne
considère
nulle et de variance unité.
un canal quasi-stationnaire, qui ne varie pas beaucoup sur les Q derniers paquets
SC-FDMA émis, l’estimé du canal, sur chaque sous-porteuse du système, Hˆnp ,
Au niveau émetteur, comme nous l’avons précédemment souligné, la technique d’es-
sera donc donnée par l’expression (4.16). L’égalité étant atteinte que si Q est
timation par ajout de signal dans la bande utile a pour conséquence d’augmenter la
suffisamment élevé.
puissance du signal sur chacune des sous-porteuses. L’énergie du signal émis étant nor-
malisée (c’est à dire fixée), rajouter du signal ∑sur
n une sous-porteuse revient à diminuer
Rqp Yaqppour conséquence de dégra-
1 ∗
la puissance du signal utile sur cette sous-porteuse.
Q Cela
q=n−Q+1
der les performances du détecteur Ĥnpau≈niveau récepteur car, plus le signal utile est fort
(4.16)
plus sa détection est meilleur. Ceci étant, nousvaravons
Y u donc choisit d’ajouté des signaux
à faible énergie mais assez suffisante pour assurer une bonne qualité de l’estimation.
Au niveau récepteur, Il faut noter que la connaissance du signal ajouté n’est pas
obligatoire. En effet si la distribution du signal ajouté est connue en réception, on pour-
rait le reconstruire pour calculer l’inter-corrélation de l’expression (1.13). Dans ce cas
de figure, les performances obtenues seront dégradées du fait que la reconstitution du
signal ajouté ne sera pas parfaite. Cette méthode a pour avantage d’éviter le stockage
de signal 149
Au niveau émetteur, comme nous l’avons précédemment souligné, la technique

d’estimation par ajout de signal dans la bande utile a pour conséquence d’aug-
menter la puissance du signal sur chacune des sous-porteuses du système. L’énergie
du signal émis étant normalisée (c’est à dire fixée), rajouter du signal sur une sous-
porteuse du système revient à diminuer la puissance du signal utile (ou informatif)
sur cette sous-porteuse. Cela a pour conséquence de dégrader les performances du
détecteur au niveau récepteur car, plus le signal utile est fort meilleur sera sa dé-
tection. Ceci étant, nous avons donc choisit d’ajouté des signaux à faible énergie
mais qui reste assez suffisante pour assurer une bonne qualité de l’estimation.
Au niveau récepteur, Il faut noter que la connaissance du signal ajouté n’est pas
obligatoire. Dans ce cas précis, la technique d’estimation n’est plus supervisée. En
effet si les statistique du signal ajouté est connue en réception, on pourrait le régé-
nérer pour calculer l’inter-corrélation de l’expression (4.16). Dans ce cas de figure,
les performances obtenues seront un peu dégradées du fait que la reconstitution
du signal ajouté ne sera pas parfaite. Néanmoins, Cette méthode a pour avantage
d’éviter le stockage du signal ajouté au niveau récepteur. Ainsi, pour garantir
une bonne estimation et en évitant un stockage important au niveau récepteur
des signaux aléatoire ajoutés, nous considérons dans cette partie, que le signal de
référence (signal ajouté) sur chaque porteuse est disponible à la réception et est
le même pour tous les utilisateurs.
Après l’estimée du canal de transmission, une égalisation classique ZF est réalisée

avant le module de décision au niveau récepteur. Cette égalisation consiste d’abord
à diviser les symboles reçus sur chacune des sous-porteuses par le coefficient du
canal estimé sur cette sous-porteuse par la méthode que nous avons exposée, avant
de retrancher le signal ajouté comme le montre l’équation (4.17).
Rnp
Ŝnp = − Ynp (4.17)
Ĥnp
3.4 Choix du signal ajouté

Comme nous venons de le voir, la technique d’estimation par ajout de signal
consiste à ajouter au signal utile, un signal particulier judicieusement choisi avant
toute transmission dans le canal. Ce signal doit ainsi respecter un certain nombre
de critères que nous déclinons dans ce paragraphe. Tout d’abord, le signal ajouté
doit rester assez faible par rapport au signal utile. En effet, le signal ajouté est
considéré comme du bruit puisse qu’il ne porte aucune information utile. Ainsi,
augmenter son niveau de puissance revient à diminuer le rapport signal sur bruit
noté snru entre le signal utile (ou informatif) et le bruit total qui correspondrait à
la sommation du bruit du canal et du signal ajouté. Cette diminution du rapport
signal sur bruit entraine une dégradation du même ordre sur le Taux d’erreur
symboles que nous proposons de quantifier.
Dans ce qui suit nous désignons par 𝒫s , la puissance de tout signal sn . Si l’on
adopte 𝛼 comme le rapport de puissance entre le signal ajouté Ynp et le signal
utile Snp sur sous-porteuse fp du système SC-FDMA, nous pouvons écrire :
𝒫Y p
𝛼= (4.18)
𝒫S p
Ainsi la relation entre la puissance du signal transmis sur une porteuse et la

puissance du signal utile est donnée en 4.18.
𝒫X p = 𝒫S p + 𝒫Y p = (𝛼 + 1)𝒫S p (4.19)
𝒫X p
Puisse que le rapport signal sur bruit est donné par snr = 𝒫W p , alors le rapport
signal utile sur bruit sera donné par :
𝒫S p 𝒫S p 𝒫X p 1
snru = = = snr (4.20)
𝒫W p 𝒫X 𝒫W
p p (𝛼 + 1)
Ainsi lorsque la puissance du signal ajouté correspond à la puissance du signal

utile que multiplie 𝛼, le rapport signal utile sur bruit snru est divisé par un facteur
𝛼 + 1.
On peut donc ainsi affirmer que le rapport signal utile sur bruit snru obtenu
lorsqu’on rajoute du signal à l’émission est plus faible que le rapport signal sur
bruit classique utilisé dans les simulations théorique. Le TES dégrade de l’ordre
de (𝛼 + 1). Pour se comparer aux autres techniques une bonne évaluation du pa-
ramètre 𝛼 s’impose. Nous discuterons lors des simulations le choix de ce paramètre.
D’autres contraintes toutes aussi importantes doivent être également considérées.

Le signal ajouté doit être connu du récepteur, il sera perçu comme un signal de
référence. De plus, le signal doit être In-Band c’est dire dans la même bande de
fréquence que le signal utile. L’objectif étant d’estimer les perturbations du ca-
nal sur chaque sous-porteuse du signal transmis, sans aucune interpolation, il est
nécessaire que le signal ajouté se retrouve sur toute la bande utile. Cette idée sou-
lève des questions d’interférences entre signal utile et signal ajouté. Pour éviter
cela, nous imposons que les signaux utiles et ajoutés soient statistiquement ortho-
gonaux c’est-à-dire que leur inter-corrélation soit nulle. Cette hypothèse permet
d’améliorer grandement les performances de notre estimateur. Il faut aussi noter
que le bruit additif du canal qui sera supposé blanc et gaussien doit lui aussi
être orthogonal au signal ajouté pour éviter toute dégradation des performances.
Plusieurs types de signaux répondent à ces critères et nous avons choisi d’adopter
de part leur simplicité, des signaux gaussiens de moyenne nulle et de variance 𝜎 2
pour nos simulations.
de signal 151
3.5 Etudes des performances obtenues dans un contexte SC-

FDMA
Dans cette partie nous proposons de tester la technique d’estimation par ajout de
signal au canal Pedestrian dans un contexte SC-FDMA. La configuration du sys-
tème SC-FDMA utilisé est celui de la bande de 5MHz donné dans le Tableau. 1.1.
Les performances obtenues seront comparées à celles données par la technique
d’estimation ZF. Comme nous l’avons déjà mentionné dans la section. 3.4, la
puissance du signal ajouté est relative au paramètre 𝛼 correspondant au ratio
entre la puissance du signal informatif et celle du signal ajouté. Toute la question
est de savoir à quelle puissance il faut transmettre ce signal ajouté.
Pour le calcul du paramètre 𝛼, nous avons considéré les dégradations de puissance
due à l’insertion des symboles pilotes dans le spectre du signal SC-FDMA de la
norme LTE. Etant donné que dans la norme, un symbole SC-FDMA sur sept
est dédié pour véhiculer les symboles pilotes, la puissance du signal informatif
représenterait que 67 de la puissance totale émise. Cela signifie que les symboles
pilotes représentent à elles seules 17 de la puissance totale émise soit 16 de la
puissance du signal informatif.
Par conséquent, dans la technique d’estimation par ajout du signal, nous impo-
serons une puissance du signal ajouté équivalente à un ratio de 61 de la puissance
du signal informatif. Le paramètre 𝛼 serait donc fixé à :
1
𝛼= (4.21)
6
Les résultats sont donnés dans le cas d’un égaliseur fréquentiel de type ZF qui
seront ensuite comparé à ceux obtenus dans le cas d’un égaliseur fréquentiel de
type MEQM.
La Figure 4.7 montre les performances en terme de taux d’erreurs symboles lorsque
le canal de transmission est gaussien. Nous observons sur cette figure, la même
dégradation pour chacune des deux techniques d’estimation ZF et Ajout Signal.
Cette dégradation est de l’ordre de 0.7dB et correspond bien à la valeur théorique
attendue donnée par 𝛼 + 1 = 0.67dB (voir Section 3.4).
La dégradation des performances étant la même pour les deux techniques d’es-
timation, ce résultat permet de montrer que la puissance du signal ajouté dans
la méthode Ajout Signal est bien équivalente à la puissance des symboles pilotes
dans la méthode d’estimation ZF.
D’autre part, le canal simulé étant gaussien, ce résultat constitue les performances
optimales des deux techniques d’estimations. Par conséquent, pour un canal non
gaussien, lorsque l’estimation et l’égalisation effectuées sont parfaites, les dégra-
dations obtenues seront celles de la Figure 4.7.
Le scénario de la Figure 4.7, est repris dans la Figure 4.8, mais cette fois en fonction
0
10
-1
10
SER: Symbol Error Rate
-2
10
~0.67 dB
-3
10
Théorie
Estimation par la Méthode Ajout Signal: α =1/6

-4
Dégradation théorique = α + 1 = 0.67 dB
10
Estimation ZF
-5
10
0 1 2 3 4 5 6 7 8 9
Eb/N0 (dB)
Figure 4.7 – Taux d’Erreur Symbole : Canal Gaussien
du paramètre 𝛼. Cette courbe nous permet de constater la concordance entre les

résultats théoriques donnés par une dégradation de (𝛼 + 1), et les résultats de
simulations.
Les deux méthodes d’estimations ZF et Ajout Signal, ont été également appliquées
pour le canal Pesdestrian A. Les Figures 4.9 et 4.10 montrent bien les performances
obtenues. On observe dans le cas du canal Pedestrian A une dégradation de la
méthode d’estimation ZF de l’ordre de 4.8dB alors que la méthode Ajout Signal
donne une dégradation de 1.1dB . Par conséquent la méthode Ajout Signal per-
met de réaliser dans ce cas un gain de l’ordre de 3.7dB environ sur la technique
d’estimation ZF. Pour le canal Vehicular A (Figure 4.10) qui est plus dificile à
égaliser, les performances obtenues sont plus dégradées par rapport au cas du ca-
nal Pedestrian A. La dégradation obtenue avec la technique d’ajout de signal par
rapport à une estimation parfaite de canal est de l’ordre de 3, 4dB Cependant on
observe néanmoins un gain d’environ 4dB de la technique d’ajout de signal sur la
technique ZF. Cela se justifie simplement par le fait que la technique d’estimation
ZF est tributaire du bruit du canal alors que la méthode Ajout signal permet de
s’affranchir de ce bruit grâce au principe de moyennage utilisé dans l’estimation
des coefficients d’inter-corrélation (voir Section 3.3).
La méthode d’estimation par Ajout Signal est également associée au critère d’éga-
lisation de type MEQM, Figure 4.11 et Figure 4.12. Cet égaliseur étant plus per-
formant que l’égaliseur ZF, on obtient bien une amélioration des performances
de signal 153
0
10
~ 3 dB
~ 0.7 dB
-1
10
Théorie
Ajout Signal: α = 1/6

Dégradation Théorique: α + 1 = 0.67 dB
-2
10
ZF, α = 1/6
Ajout Signal: α = 1/3 ~ 1.2 dB

-3
ZF,
10 α = 1/3
Ajout Signal: α = 1/2

ZF, α = 1/2 ~ 1.7 dB

-4
10
Ajout Signal: α = 1
Dégradation Théorique: α + 1 = 3 dB
ZF, α = 1
-5
10
0 1 2 3 4 5 6 7 8 9
Eb/N0 (dB)
Figure 4.8 – Taux d’Erreur Symbole en fonction du paramètre 𝛼 : Canal Gaussien
0
10
-1
10
TES:Taux d'Erreur Symbole
~3.8 dB ~1.1 dB
-2 ~4.8 dB
10
Théorie
-3
10 Estimation par la Méthode Ajout Signal: α =1/6
Dégradation théorique: α +1=0.67 dB
Estimation ZF
-4
10
-5
10
0 1 2 3 4 5 6 7 8 9
Eb/N0 (dB)
Figure 4.9 – Taux d’Erreur Symbole : Canal Pedestrian A , Egaliseur type ZF

0
Comparing Filtering and Interpollation methodes
10
-1
10
- 6.7 dB - 4 dB
-2
10
- 3.4 dB
-3
10
Théorie
Estimation par la Méthode Ajout Signal α = 1/6

-4
10
Estimation ZF
-5
10
0 1 2 3 4 5 6 7 8 9
Eb/N0 (dB)
Figure 4.10 – Taux d’Erreur Symbole : Canal Vehicular A , Egaliseur type ZF
en terme de taux d’erreur symbole de l’ordre de 1dB comparées à celles de la

Figure 4.9.
Cependant une question cruciale reste posée, à savoir, la taille minimum de buffer
nécessaire pour le calcul de l’inter-corrélation entre signal reçu et signal ajouté à la
réception. En effet, l’approximation de l’inter-corrélation par une simple somma-
tion, impose que le canal soit constant pendant un temps assez long pour assurer
la convergence de la sommation. Cette hypothèse limite les domaines d’applica-
tion de la technique proposée, à savoir les canaux quasi-constants dans le temps.
Le laps de temps minimum, pour lequel le canal de transmission est supposé
constant afin d’obtenir des résultats satisfaisant, est directement lié au nombre
de symboles SC-FDMA sur lesquels les coefficients d’inter-corrélation entre signal
reçu et signal ajouté sont calculés. Ce temps correspond au temps de cohérence
Dmin du canal. Par conséquent pour un temps de cohérence assez faible, l’estima-
tion de canal par la méthode Ajout Signal sera moins fiable et les performances
seront dégradées mais lorsque le temps de cohérence est suffisamment élevé les
performances observées seront meilleures.
de signal 155
0
10
-1
10
-2 ~3 dB ~ 1.2 dB ~ 4 dB
10
-3
10
Théorie
Estimation par la Méthode Ajout Signal: α = 1/6
-4
10 Estimation ZF
-5
10
0 1 2 3 4 5 6 7 8 9
Eb/N0 (dB)
Figure 4.11 – Taux d’Erreur Symbole : Canal Pedestrian , Egaliseur type MEQM
0
Comparing Filtering and Interpollation methodes
10
-1
10
-2 -3 dB -2.2 dB -5.2 dB
10
Théorie
-3
10 Estimation par la méthode Ajout Signal: α = 1/6
Estimation ZF
-4
10
-5
10
0 1 2 3 4 5 6 7 8 9
Eb/N0 (dB)
Figure 4.12 – Taux d’Erreur Symbole : Canal Vehicular A , Egaliseur type MEQM
4 Estimation de canal par Filtrage dans un domaine

Transformé : Cas de forte mobilité
4.1 Contexte d’application de la technique
Lorsque qu’un utilisateur se déplace à une vitesse assez importante ou lorsque
l’environnement autour de lui évolue très vite, un effet doppler apparaît et en-
gendre une dilatation des fréquences qui est à l’origine de l’interférence entre
sous-porteuses « InterCarrier interferences »ICI. Ce phénomène est encore plus
accentué dans le cas du mapping I-FDMA du SC-FDMA car en plus de l’ICI on
observera aussi une interférence entre utilisateur « Inter-User Interferences »IUI,
du fait que les sous-porteuses voisines n’appartiennent pas au même utilisateur.
Jusque là nous n’avons pas considéré dans le cadre des techniques d’estimations,
les perturbations que peuvent causer cet effet doppler. Cette section traite en par-
ticulier ce problème. Nous avons choisit d’appliquer une technique originellement
proposée dans [82] par Yuping Zhao et Aiping Huang, en 1997. Le but recherché
dans leur méthode était d’améliorer les performances des estimateurs classiques de
canal en filtrant de façon adéquat l’ICI introduit par la mobilité dans un domaine
bien défini. Cette technique est bien adaptée pour les systèmes qui préconisent
une estimation de canal dans le domaine fréquentiel comme les systèmes OFDM et
SC-FDMA. C’est pourquoi nous avons choisit de l’adapter à notre sujet d’étude
en modifiant sa structure générale telle qu’il est proposé par ses auteurs et en
réduisant sa complexité grâce au différent modules du récepteur SC-FDMA.
Dans ce qui suit nous décrirons tout d’abord, le principe de cette technique avant
de proposer une adaptation de sa structure pour notre contexte d’étude qui est le
SC-FDMA.
4.2 Principe de la technique de filtrage de l’ICI

Lorsque nous sommes en situation de forte mobilité la technique d’estimation clas-
sique appropriée est l’estimation par pilote assistée introduit dans chaque symbole
au niveau fréquentiel et permettant d’estimer la réponse du canal à chaque instant
sur les sous-porteuses pilotes. La réponse du canal sur les autres sous-porteuses
véhiculant l’information utiles est estimée par des techniques d’interpolations que
l’on trouve dans la littératures [83]. Cette méthode ne tient pas compte de l’Inter-
férence entre canaux en cas de forte mobilité. L’idée présentée dans [82], a pour
objectif de réduire voir supprimer l’ICI du canal qui constitue une perturbation
provenant de chacune des sous-porteuses du système. En effet, nous savons que
sur chaque sous-porteuse du signal, en cas de forte mobilité, l’ICI provenant des
autres sous-porteuses vient s’ajouter comme un bruit à la réponse du canal dans le
domaine fréquentiel [82] ainsi qu’à la représentation fréquentielle du bruit blanc
gaussien du canal. Cette interférence rend impossible une suppression de l’ICI
forte mobilité 157
dans le domaine fréquentiel.
La technique que nous avons choisie d’adapter repose principalement sur la re-
cherche de domaine dans lequel l’interférence entre canaux ICI et la réponse du
canal seront séparables afin de permettre un filtrage adéquat. Le domaine consi-
déré qui permet de réaliser ce filtrage est celui dans lequel toute séquence cor-
respondrait à la DFT de sa contrepartie dans le domaine fréquentiel : c’est le
domaine équivalent à la DFT du domaine de Fourier que nous appelleront par la
suite Domaine Transformé. Pour tout signal représenté dans le domaine temporel
par s(t) dont la représentation dans le domaine fréquentiel est donné par S (f ),
la caractérisation de ce signal dans le domaine transformée que nous notons par
S (p) correspond aux variations de S (f ) en fonction de la vitesse de variation p
(Confère Figure 4.13).
DFT DFT
S(t) S(f) S(p)

Domaine Domaine Domaine
temporel Fréquentiel Transformé
Figure 4.13 – Domaine Transformé
L’idée proposée dans l’article [82] se repose sur l’analyse suivante : Les sous-
porteuses pilotes étant choisies de sorte que la bande passante entre elles soit
inférieure à la bande de cohérence du canal afin d’assurer une bonne interpola-
tion, la réponse du canal reste quasi-constante d’une sous-porteuse pilote à l’autre.
Cela revient à considérer que le taux de variation de la réponse du canal sur les
porteuses pilotes est quasi-nulle. Ainsi dans le domaine Transformé que nous ve-
nons de décrire, il est clair que l’énergie du canal sera localisée dans la partie
basse de ce domaine. Maintenant, étant donné que l’ICI et le bruit gaussien du
canal forme un processus aléatoire de moyenne nulle [84], leur somme peut être
vue comme un processus aléatoire de distribution gaussienne [85] du fait du grand
nombre de sous-porteuses et de multi-trajets du canal et par application du théo-
rème de la limite centrale. La rapidité de variation des processus aléatoire étant
très élevé, la représentation de la somme de l’ICI et du bruit gaussien dans le
domaine Transformé sera localisé sur la partie haute du domaine. Cette analyse
permet donc une séparation entre la réponse du canal et l’ICI engendrée.
4.3 Présentation de la technique dans un contexte SC-FDMA

Cette partie a fait l’objet d’une de nos publications [86]. Il s’agit là d’appliquer la
technique précédemment décrite, dans le cadre du système SC-FDMA.
4.3.1 Analyse du signal reçu

Dans cette partie, toute matrice AMN sera considérée comme une matrice ayant
M lignes et N colonnes. Tout vecteur aN sera considéré comme une matrice N
lignes et 1 colonne et aN (n) le n − iem élément du vecteur aN . Considérons les
paramètres ci-dessous relatifs à un système SC-FDMA.
– L : Nombre d’utilisateurs actifs partageant le spectre du système.
– hNl : Le canal variable de l’utilisateur l
– MNQ l : Sa matrice de multiplexage

l
– xQ (n) : Le signal source à transmettre
Le signal transmis dans le canal par l’utilisateur n ∘ l après la modulation SC-

FDMA est donné par :
y l (n) = IDFT {MNQ

l
.DFT xQl } (4.22)
N représentant le nombre de sous-porteuses du système. Une insertion d’intervalle
de garde permet de limiter les interférences entre symboles dans le système, le
signal résultant est donné par :
{ l
l y (N + n), n = −Ng , .., −1
yg = (4.23)
y l (n), n = 0, .., N − 1
Où : Ng représente le nombre d’échantillons dans l’intervalle de garde. Le signal
résultant est ensuite transmis dans un canal multi-trajet variable de type Rayleigh
avec Doppler qui permet de modéliser la mobilité de l’utilisateur. Le signal reçu
peut être représenté comme suit :
rgl (n) = ygl (n) ⊗ h l (n) + w l (n) (4.24)

Où h l (n) et w l (n) correspondent respectivement à la réponse impulsionnelle et
au bruit blanc gaussien du canal de l’utilisateur l . La réponse impulsionnelle d’un
canal multi-trajet variable dans le temps est donnée sous la forme suivante [87] :
r −1
∑ 2𝜋fDi Tn
h l (n) = hi e j N 𝛿(𝜆 −𝜏i ), 0 ⩽ n ⩽ N − 1 (4.25)
i=0
r étant le nombre total de trajets du canal, hi la réponse du canal sur le trajet
n ∘ i, fDi la fréquence doppler associé à ce trajet qui est à l’origine de l’interférence
entre sous-canaux ICI. Le paramètre 𝜏i correspond au délai du trajet i normalisé
forte mobilité 159
à la période d’échantillonnage.
Après suppression de l’intervalle de garde du signal reçu rgl (n), le signal résultant
est ensuite envoyé sur un démodulateur DFT, puis sur un démultiplexeur corres-
pondant à la matrice MNQ l H (où H représente l’opérateur transpose conjugué).
Si l’intervalle de garde est suffisamment long pour absorber l’IES, alors le signal
résultant après le démultiplexage peut s’écrire sous la forme suivante :
( )
R l (k ) = {DFTxQl } H l (k ) + I l (k ) + W l (k ) (4.26)
Où H l (k ) et W l (k ) représentent le canal et le bruit gaussien dans le domaine

fréquentiel, I l (k ) la composante de l’ICI sur la sous-porteuse n ∘ k . Ces différentes
composantes sont décrites dans la Section 4.2.
En posant XQl = {DFTxQl } la représentation fréquentielle du signal transmis,

R l (k ) se simplifie en :
R l (k ) = XQl (k )H l (k ) + I l (k ) + W l (k ) (4.27)
Avec les définitions suivantes [87].
r −1
∑
l sin(𝜋fDi T ) −j 2𝜋𝜏i k
H (k ) = hi e j 𝜋fDi T .e N (4.28)
𝜋fDi T
i=0
r −1 N −1
1 ∑ ∑ 1 − e j 2𝜋(fDi T −k +K ) j −2𝜋𝜏i K
I l (k ) = hi X (K ) e N (4.29)
N 1 − ej
2𝜋(fDi T −k +K )
N
i=0 K =0
K ∕=k
4.4 Choix de la répartition des pilotes dans le spectre du signal

Dans la norme LTE, 71 des symboles SC-FDMA sont réservés pour l’estimation
de canal (voir figure 4.14a)). Tout se passe bien si l’on considère un canal quasi
statique qui varie que très peu d’un symbole à l’autre. Par contre dans le cas
des canaux variables, pour garantir de bonnes performances du système, il est
nécessaire de repenser la répartition des symboles pilotes dans les trames émises. Il
est impératif que l’on puisse estimer le canal sur chacun des symboles émis du fait
que le canal varie d’un symbole à l’autre. La répartition de la figure 4.14 b) semble
être la mieux adaptée à notre contexte. Sur chaque symbole SC-FDMA transmis,
un certain nombre de sous-canaux seront donc dédiés pour l’estimation. Le taux
de sous-canaux dédiés reste à définir ; l’intervalle entre deux sous-porteuses pilotes
devant au plus être égale à la bande de cohérence du canal. Afin de déterminer
une estimation de canal sur chacune des sous-porteuses non dédiées, il va de soit
qu’une technique d’interpolation est à considérer.
7symboles 7symboles
Fréquence
time Fréquence temps
Pilotes
a) Pilotes: Solution LTE Data b) Pilotes: Notre suggestion
pour le SC-FDMA
Figure 4.14 – Une Ressource Bloc du SC-FDMA

Domaine Transformé
Fréquentiel
Domaine
Décimation Np-point Filtrage Zéros- Q-point

Q/Np DFT ICI padding IDFT
Fréquence
de coupure
Fonction Filtrage
Figure 4.15 – Structure de l’estimateur
4.5 Filtrage dans le domaine Transformé
Modification du récepteur
L’estimation de canal basée sur le filtrage de l’Interférence entre canaux proposé

dans [82], préconise une modification du récepteur comme indique la Figure 4.15.
Après une transformation de Fourier, le signal reçu subit ensuite une décimation
pour la récupération de l’information du canal sur les porteuses dédiées. Une autre
transformation de Fourier fait passer l’information du canal récupérée dans le do-
maine transformé, domaine que nous avons précédemment défini et dans lequel
sera filtré l’ICI du canal. Une Transformation Inverse de Fourier de taille plus im-
portante que le nombre de sous-porteuses pilotes permet non seulement de revenir
dans le domaine fréquentiel mais également d’effectuer une interpolation de type
IDFT.
forte mobilité 161
Domaine
Fréquentiel Transformé Fréquentiel
Porteuses Pilotes
Décimation ((Np)
et Estimation sur
Egalisation ZF
DFT RN De-mapping
mapping RQ Hˆ Np DFT
Filtrage IDFT Hˆ Q
Ĥ IDFT
(N) ICI (Q) (Q)
(Np)
Estimation-Filtrage
Figure 4.16 – Apllication de la structure du filtrage de l’ICI dans le récepteur SC-

FDMA
Une application de cette structure dans un contexte SC-FDMA sans aucune modi-
fication est donnée à la Figure 4.16. Si on note par Np le nombre de sous-porteuses
pilotes du signal émis, et par Δfp la bande de fréquence entre deux sous-porteuses
pilote, alors le signal récupéré après la décimation du signal est donné par (4.30)
avec k = 0, ..., Np − 1 :
RNp (k Δfp ) = SkPilote HNp (k Δfp ) + I (k Δfp ) + W (k Δfp ) (4.30)

Où SkPilote
représente le symbole pilote transmis sur la sous-porteuse k Δfp . Une
simple estimation par inversion des pilotes permet d’établir l’estimée du canal sur
les sous-porteuses pilote comme suit avec k = 0, ..., Np − 1 :
1
ĤNp (k Δfp ) = HNp (k Δfp ) + (I (k Δfp ) + W (k Δfp )) (4.31)
SkPilote
Réduction de l’ICI et du bruit AWGN
La technique couramment appliquée pour l’estimation du canal, lorsqu’il ya

des porteuses dédiées, est la technique du Zéro-Forcing ZF, associée à une inter-
polation d’ordre 1 ou 2. L’interpolation est une opération permettant d’obtenir
une estimée du canal sur les porteuses non dédiées à partir de celles obtenues sur
les porteuses dédiées à l’estimation. Si on note par Δf la bande passante entre
Δf
deux sous-porteuses quelconque du signal et Q = Δf p
, le nombre de sous-porteuses
entre deux porteuses pilotes voisines conformément à la Figure 4.14.b, alors l’in-
terpolation permet d’obtenir la réponse fréquentielle du canal comme l’indique la
formule (4.40) avec q = 0, ..., Q − 1.
q q
ĤQ (k Δfp + q) = (1 − )ĤNp (k Δfp ) + ĤNp ((k + 1)Δfp ) (4.32)
Q Q
L’inconvénient d’une telle méthode c’est que le phénomène d’ICI n’est pas traité.
Ainsi, les performances risquent d’être entachées dans le cas des canaux variables
par une augmentation du niveau de bruit à cause de la contribution l’ICI. L’ap-
plication du filtrage dans le domaine transformé telle qu’il est proposé dans [82],
permet à partir des estimées du canal sur les sous-porteuses pilotes, Ĥ (k Δfp ), de
réduire la contribution de l’ICI, améliorant ainsi les performances obtenues. En
effet, notons par GNp la transformée de fourrier de la réponse du canal sur les
sous-porteuses pilotes k Δfp nous avons :
[ ]
GNp = F ĤNp (0), ĤNp (Δfp ), ⋅ ⋅ ⋅ , ĤNp ((Np − 1).Δfp ) (4.33)
Ce signal comme nous l’avons déjà montré contient dans sa partie basse et haute
du spectre l’information utile du canal que nous souhaiterons récupérer tandis
que le milieu de la bande qui correspond aux hautes fréquences est composé ma-
joritairement de l’ICI et du bruit que nous allons filtrer (voir les courbes dans la
section 4.7).
La question cruciale qui se pose est la détermination de la fréquence de coupure kc

de notre filtre dans le domaine transformé. En effet, à partir de quelle fréquence
pouvons-nous considérer que le signal n’est constitué que du bruit (ICI+awgn).
L’algorithme proposé pour la détermination de cette fréquence de coupure dans
[82] est basée sur le calcul de l’énergie du signal GNp (k ) (voir Figure 4.17). Nous
cumulons l’énergie depuis les bords du spectre du signal vers le milieu de la bande
jusqu’à ce que la somme obtenue soit équivalente à 90 − 95% de l’énergie totale
disponible sur la bande. Cette technique suppose donc que les bruits (ICI et awgn)
au milieu de la bande constituent environ 5 − 10% de l’énergie totale. Le filtrage
consiste uniquement à remplacer les symboles au milieu de la bande, considéré
comme du bruit, par des symboles nuls. Le signal obtenu ĜNp (k ) sera donné par
l’équation (4.42). Ce procédé permet de réduire la puissance du bruit (ICI+awgn)
sur la totalité de la bande et donc d’améliorer l’estimation.
{
GNp (k ), 0 ⩽ k ⩽ kc et Np − kc ≺ k ≺ Np − 1
ĜNp (k ) = (4.34)
0, ailleurs
Interpolation par sur-échantillonnage
L’estimation du canal sur les sous-porteuses dédiées ne permet pas à elle seule
d’estimer le canal sur toutes les sous-porteuses du signal, car seules les sous-
porteuses dédiées à l’estimation sont prises en compte dans cette méthode. Une
technique d’interpolation doit donc être envisagée. La méthode choisie pour ré-
soudre ce problème est le sur-échantillonnage fréquentiel du signal ĜNp (k ). Cette
méthode consiste à rajouter un nombre suffisant de symboles nuls au milieu de la
bande de fréquence du signal ĜNp (k ) dans le domaine transformé afin d’obtenir
forte mobilité 163
kc N p − kc
Figure 4.17 – Schéma synoptique de la sélection dynamique de la fréquence de coupure
un sur-échantillonnage fréquentiel par Transformé de Fourier inverse. Le nouveau

vecteur ĜQ est obtenu en rajoutant Q − Np symboles nuls au milieu de sa bande
comme suit :
⎧
⎨ ĜNp (k ), 0 ⩽ k ⩽ kc
ĜQ (k ) = 0, kc ≺ k ≺ Q − kc (4.35)
⎩
ĜNp (k − Q + Np ), Q − kc ≺ k ≺ Q − 1
L’estimé du canal ĤQ sur toutes les Q sous-porteuses est obtenue en revenant
dans le domaine de Fourier par une simple IDFT sur le vecteur ĜQ on obtient
ainsi :
ĤQ = F H {ĜQ } (4.36)
4.6 Modification de la structure de filtrage pour le cas du SC-

FDMA
La structure utilisée pour la technique de filtrage de l’ICI dans [82] est très com-
plexe à mettre en œuvre. En effet la structure telle qu’elle est proposée par ses
auteurs, est composée d’un module DFT pour passer dans le domaine transformé
dans lequel le filtrage sera effectué, et d’un module IDFT pour revenir dans le do-
maine fréquentiel. L’utilisation de ces deux modules DFT complexifie la structure
du récepteur du système SC-FDMA d’autant plus que deux autres modules DFT
et IDFT sont déjà utilisés dans ce système pour la démodulation du signal reçu
(Figure 4.16).
La question qui se pose est comment réaliser le filtrage de l’ICI dans un système
SC-FDMA en limitant au maximum le nombre de modules de DFT du récepteur.
Une analyse globale de l’architecture du système SC-FDMA permet d’apporter
une réponse à cette question. En effet, l’analyse montre que la structure du sys-
tème SC-FDMA permet de s’affranchir d’un module DFT et donc de réduire la
complexité globale du récepteur.
4.6.1 Analyse de la structure du système SC-FDMA

Pour toute transformation T, et pour tout vecteur signal S, on a la relation sui-
vante où (*) désigne l’opérateur de conjugaison :
∗
(FM .T .FN .S )∗ = FM .T ∗ .FN∗ .S ∗ (4.37)
Comme les modulateurs IDFT et DFT ne sont différents que par l’opérateur de
conjugaison, cette formule nous permet de montrer une dualité entre le couple
IDFT/DFT et le couple DFT/IDFT. En effet, lorsque les vecteurs d’entrée de
ces couples sont conjugués, les vecteurs de sortie seront également conjugués.
Cette dualité peut être exploitée dans la structure du filtrage de l’ICI de la Fi-
gure 4.16. En effet, en utilisant le couple dual IDFT/DFT en lieu et place du
couple DFT/IDFT de la structure du filtrage, on s’aperçoit d’une possible opti-
misation du nombre de modules de DFT de la structure équivalente du récepteur
du système SC-FDMA, Figure 4.18.
Les modules DFT et IDFT placés à la fin de la chaine (Figure 4.18) sont com-
plètement transparents. Ils pourraient être supprimés de la structure, mais cela
n’est pas sans conséquence car l’égaliseur ZF est mis en œuvre dans le domaine
fréquentiel entre ces deux modules. Le problème qui se pose est donc la place de
l’égaliseur dans la structure du récepteur. En effet, l’égaliseur ZF est réalisé dans
le domaine fréquentiel, mais rien n’impose cela, il pourrait être mis en œuvre dans
le domaine temporel grâce à une opération de convolution.
Cette égalisation consiste en la multiplication du signal fréquentiel informatif
RQ par l’inverse de l’estimé du canal ĤQ∗ conformément aux notations de la Fi-
gure 4.18. Ainsi, la transformation IDFT placé en fin de chaine sur ce produit se
ramène à une simple opération de convolution circulaire entre la transformation
inverse de Fourier (IDFT) du signal fréquentiel informatif et la transformation
inverse de Fourier de l’estimé du canal dans le domaine fréquentiel. La structure
du récepteur pourrait donc être décomposée comme le montre la Figure 4.19.
Par conséquent, les deux modulateurs DFT et IDFT placés en fin de chaine de-
viennent totalement transparents et peuvent donc être supprimés de la structure
sans affecter le traitement du récepteur. On obtient ainsi une nouvelle architecture
du récepteur SC-FDMA qui ne compte plus que deux modules DFT et un seul
module IDFT.
Cependant nous nous devons de nous poser la question du gain réalisé, dans cette
forte mobilité 165
Domaine
Fréquentiel Transformé Fréquentiel
Estimation-Filtrage Optimiser?
Et Egalisation ZF
et Conjugaison(*)
Porteuses Pilotes
Décimation ((Np)
Conjugaison(*)
et Estimation sur
De-mapping
mapping
Filtrage ICI
DFT RN RQ Hˆ *Np
Ĥ IDFT +
DFT Hˆ *Q IDFT
(N) (Q) (Q)
(Np) Zéro-padding
Figure 4.18 – Structure équivalente du récepteur SC-FDMA : Intégration du filtrage

de l’ICI
nouvelle architecture, en termes de complexité. Il est certain que la suppression

d’un module DFT de la structure initiale du récepteur permet de réduire la com-
plexité du celui-ci, mais l’apparition d’une opération de convolution circulaire ne
rend t-il pas absurde les efforts réalisés ? Pour répondre à cette question, nous
allons déterminer dans la suite, la complexité réelle en nombre de multiplications
et d’additions introduite par la convolution circulaire que nous comparerons à la
complexité liée à un module DFT de taille Q.
4.6.2 Etude du gain en terme de complexité

Le module de convolution circulaire qui apparait à la fin du récepteur (Figure 4.20),
correspond à une multiplication matricielle comme l’indique l’équation (4.38)
conformément aux notations de la Figure 4.20, avec s̃Q la matrice circulaire for-
mée par les symboles démodulés et h̃Q représentant les symboles estimés du canal
dans le domaine transformé, (4.39).
s¯Q = s̃Q h̃Q (4.38)
⎡ ⎤
s̃Q (1) s̃Q (Q) ⋅⋅⋅ s̃Q (3) s̃Q (2)
⎢ s̃Q (2) s̃Q (1) ↘ s̃Q (4) s̃Q (3) ⎥
⎢ ⎥
⎢
s̄Q = ⎢ .. .. .. .. ⎥
. ↘ . . . ⎥
⎢ ⎥
⎣ s̃Q (Q − 1) s̃Q (Q − 2) ↘ s̃Q (1) s̃Q (Q) ⎦ (4.39)
s̃Q (Q) s̃Q (Q − 1) ⋅ ⋅ ⋅ s̃Q (Q) s̃Q (1)
[ ]
h̃Q = h̃Q (1) ⋅ ⋅ ⋅ h̃Q (Np), 0 ⋅ ⋅ ⋅ 0, h̃Q (Q − Np) ⋅ ⋅ ⋅ h̃Q (Q)
La matrice circulaire étant de taille Q ×Q, la convolution introduit une complexité

de l’ordre Q 2 multiplications et additions. Le gain obtenu avec la suppression du
De-mapping
Egalisation
DFT
(N)
RN RQ
IDFT
(Q) s%Q par convolution
circulaire
sQ
De
et Conjugaison(*)
Porteuses Pilotes
Décimation (Np)
et Estimation sur
Filtrage ICI
+
DFT IDFT
IDFT Zéro-padding (Q) (Q)
(Np) +
conjugaison
Estimation-Filtrage
Figure 4.19 – Modification de la structure du récepteur SC-FDMA

De--mapping
Egalisation
DFT
(N)
RN RQ
IDFT
(Q) s%Q par convolution
circulaire
sQ
h%Q
Porteuses Pilotes
Décimation (Np)
et Conjgaison(*)
et Estimation sur
Filtrage ICI
+
IDFT Zéro-padding
(Np) +
Et conjugaison
Estimation-Filtrage
Figure 4.20 – Structure Optimisée du récepteur SC-FDMA intégrant le filtrage ICI
module DFT de la structure de départ étant de l’ordre de QlogQ, on pourrait se

demander si globalement la modification de la structure de l’estimateur proposée
dans cette section a un intérêt particulier. Une analyse plus détaillée de la com-
position du vecteur estimé du canal tidehQ nous permet de nous en convaincre
du gain obtenu.
En effet, le zéro-padding effectué dans le domaine transformé sur l’estimée du
canal, peut être exploité dans la construction de la matrice circulaire s̃Q afin de
réduire le nombre de multiplications. Avec le zéro-padding, le vecteur h̃Q contient
un grand nombre de coefficients nuls dans sa partie centrale. Cette configuration
permet de simplifier l’équation (4.38) en ne considérant que les multiplications
ne faisant intervenir que les coefficients non nuls de l’estimé du canal dans le
domaine transformé. Les colonnes de la matrice circulaire s̃Q de l’équation (4.39)
qui interviendraient dans la convolution sont les Np premières et dernières colonnes
de la matrice. Il est donc commode de ne considérer que ces colonnes en scindant
forte mobilité 167
la matrice s̃Q en deux. La matrice formée des Np premières colonnes sera notée
par s̃Q
1 et celle formée des N dernières colonnes par s̃ 2 comme indiqué en (4.40).
p Q
La concaténation de ces sous-matrices donnera la nouvelle matrice s̃Q = [s̃Q1 , s̃ 2 ]
Q
de taille plus réduite.
⎡ ⎤
s̃Q (1) s̃Q (Q) ⋅ ⋅ ⋅ s̃Q (Q − Np + 2)
⎢ s̃Q (2) s̃Q (1) ⋅ ⋅ ⋅ s̃Q (Q − Np + 3) ⎥
⎢ ⎥
⎢ .. .. .. ⎥
⎢ . . ⋅⋅⋅ . ⎥
s̃Q = ⎢
1 ⎢ ⎥
⎥
⎢ s̃Q (Np) s̃Q (Np − 1) ⋅ ⋅ ⋅ s̃Q (1) ⎥
⎢ .. .. .. ⎥
⎣ . . ⋅⋅⋅ . ⎦
s̃Q (Q) s̃Q (Q − 1) ⋅ ⋅ ⋅ s̃Q (Q − Np + 1)
⎡ ⎤
s̃Q (Np + 1) ⋅ ⋅ ⋅ s̃Q (3) s̃2 (4.40)
⎢ .. .. .. ⎥
⎢ . ⋅⋅⋅ . . ⎥
⎢ ⎥
⎢
2 =⎢ s̃ Q (1) ⋅ ⋅ ⋅ s̃ Q (Q − Np + 3) s̃ Q (Q − Np + 2) ⎥
s̃Q ⎥
⎢ .. .. .. ⎥
⎢ . ⋅⋅⋅ . . ⎥
⎢ ⎥
⎣ s̃Q (Np − 1) ⋅ ⋅ ⋅ s̃Q (1) s̃Q (Q) ⎦
s̃Q (Np) ⋅⋅⋅ s̃Q (2) s̃Q (1)
[ ]
h̃2Np = h̃Q (1) ⋅ ⋅ ⋅ h̃Q (Np), h̃Q (Q − Np) ⋅ ⋅ ⋅ h̃Q (Q)
Le nombre de sous-porteuses pilotes Np étant très inférieur au nombre total de

sous-porteuses Q utilisées par chaque utilisateur, la complexité de l’opération de
convolution n’est plus que de 2Np × 2Np multiplications et additions en utilisant
les matrice de l’équation (4.40). Mais on peut encore réduire cette complexité
en exploitant d’avantage la configuration du vecteur h̃2Np . En effet la technique
de filtrage réalisé dans le domaine transformé fournit un vecteur estimé h̃Q pour
lequel les Np premiers et derniers coefficients sont identique. Cette configuration
peut être exploitée dans le calcul de la convolution en additionnant les matrices s̃Q
1
et s̃Q
2 avant d’effectuer l’opération de convolution : Le nombre de multiplications
sera donc divisé par quatre. En effet on pourra écrire :
[ 1 2] [ ]t
s̄Q = s̃Q s̃Q ∗ h̃Np h̃Np (4.41)
[ 1 2
] t
= s̃Q + s̃Q ∗ h̃Np
Le résultat obtenu avec la nouvelle structure est le même que celui obtenu avec la
structure classique de la Figure 4.18 mais avec moins d’opérations à effectuer. Le
nombre de multiplications dans l’opération de convolution ne serait plus que Np2
et le nombre d’additions de 2Np2 . Par contre la suppression du module FFT et de
l’égaliseur ZF fréquentiel de la structure du récepteur nous a permis d’économiser
QlogQ + Q multiplications et QlogQ additions, (voir le bilan récapitulatif sur
additions multiplications
Convolution
circulaire 2Np2 Np2
FFT et
Egaliseur ZF QlogQ QloqQ + Q
Table 4.1 – Bilan en termes de complexité
le Tableau 4.1). Si l’on considère que le nombre de sous-porteuses pilotes Np

correspond à r % du nombre de sous-porteuses total Q, alors la nouvelle structure
proposée sera moins complexe et nos efforts seront justifiés lorsque l’inégalité
(4.42) est vérifiée :
3Np2 − (2QlogQ + Q) ≺ 0 (4.42)

Q2 ∗ r2
⇔3 − (2QlogQ + Q) ≺ 0
10.000
La courbe ci dessous (Figure 4.21) donne l’allure de la fonction de gain G(Q)
définie en (4.43) pour deux valeurs du taux r % :
Q2 ∗ r2
G(Q) = 3 − (2QlogQ + Q) (4.43)
10.000
On peut ainsi constater que lorsque le nombre de sous-porteuses pilotes repré-
sente 10% du nombre de sous-porteuses total modulées par chaque utilisateur, la
structure que nous proposons est moins complexe lorsque Q ≺ 184.
4.7 Résultats de simulation

Les conditions de simulation sont celles qui sont données dans les Tableaux 4.2 et
4.3. Le canal utilisé est un canal réaliste de Rayleigh de la recommandation GSM
[88]. Un scénario à un utilisateur est considéré, le cas multiutilisateurs pouvant
être traité sans modification supplémentaire de la structure de l’estimateur. Le
N
paramètre Np qui correspond au taux de sous porteuses pilotes dans le spectre
du signal est fixé à 18 pour obtenir la même puissance dédiée aux pilotes que dans
le cas de la norme LTE. On a fixé un taux de 81 au lieu de 17 comme dans les
spécification LTE, pour que le nombre de pilotes insérés corresponde à un ratio
entier de la taille du paquet IDFT transmis. Comme l’objectif recherché dans cette
section est la réduction de l’interférence entre sous-canaux ICI, nous ne testerons
que le mapping L-FDMA pour éviter toute interférence entre utilisateurs IUI qui
pourrait apparaitre avec le mapping I-FDMA.
Les Figure 4.22 et 4.23 permettent de prouver l’analyse du fondement de la tech-

nique d’estimation par filtrage de l’ICI décrite dans la Section 4.2. En effet en
forte mobilité 169
1400
1200
1000
800
G(Q)
600
400 r = 10%
r = 1/7 = 14%
200
−200
0 50 100 150 200 250
Q
Figure 4.21 – Courbe du Gain en fonction de nombre de sous-porteuses
Bandes passantes
du canal (MHz) 10
Nombre de Ressource
UL
Bloc (RB) utilisé RRB 50
Nombre de sous-porteuses
modulées RSCRB × R UL 600
RB
Taille N : IDFT(TX) et
DFT(RX) 1024
Fréquence d’échantillonage 15.36
Mapping des sous-canaux L-FDMA
Table 4.2 – Paramètres du système SC-FDMA utilisé dans les simulations
absence de bruit et avec un doppler nulle la représentation du canal dans le do-

maine transformé est localisée dans les parties basse et haute du spectre comme
le montre la Figure 4.22. Par contre lorsque l’on applique un doppler à 70Hz , en
absence de bruit il apparait dans la partie centrale du spectre la composante ICI
supplémentaire, Figure 4.23.
Deux techniques d’estimations sont comparées dans cette partie : il s’agit de la

technique d’estimation par Zéro-Forcing associée à une interpolation d’ordre 1 et
de la technique d’estimation par filtrage dans un domaine transformé que nous
the channel representation, according to pilot sub-carriers, is
r−1 N −1
given by: 1 X X
I(m) = hi α
N i=0 K=0
r−1
X K6=m
and rural areas. Thus, H̃(q) the= pathh̃delays i .δ(q − τii .L) are bounded in any (9) represents the interferences due to all su
area. i=0 αi isthis
k, and a function
for each of of the signal XQpath
the channel’s on
Now, sin(πf considered as a random process.
Fourier I(m) on pilot sub-carriers, can be simpli
T ) It is th
whereletq = denoted
0, .., Mby − 1Transformed
and h̃i = hiDomain, ejπfDi T the Di
πfDi T . As variable. When the number N of sub-
the path delays τi is bounded, let us denote by min(τi ), the where the coefficient αi depends on the
Transform of the Fourier Domain (DFT(DFT)). In this domain,
the channelvalue
representation, according to pilot the central limit theorem enables us t
minimum of path delays. Regarding thesub-carriers,
expression (9), is
process I(m) as a complex N −1
r−1Gaussian
given by:
the channel representation in the deTransformed
canal pourDomain, H̃, has SC-FDMA I(m) = 1
X X
170 Techniques d’estimation les systèmes results that all energy N of I(m) is hex iα
null energy in the frequencies r−1 q ≺ min(τi ). This result is the i=0 K=0
X channel band in the TransformedK6= Domain
m
basis of our contribution.
H̃(q) = Fig h̃2i .δ(q and − 3 confirm
τi .L) this analysis,(9)by
analysis: we can see that when there is
showing channel representation i=0 in the Transformed Domain αi is a function of the signal XQ on
noise (snr = 100dB) , the channel
relatively to pilot sub-carriers, for two different Di Doppler’s considered as a random process. It is the
where q = 0, .., M − 1 and h̃i = hi ejπfDi T sin(πf πfDiin
T)
. As Transformed
T table.2. variable. When Domain obtained when t
values, and considering the system parameters given the number N of sub-c
the path delays τi is bounded, let us denote by min(τi ), the 150hz, is influenced by a Gaussian rand
the central limit theorem enables us t
minimum value of path delays. Regarding the expression (9), to the case of null Doppler Fig 2.
process I(m) as a complex Gaussian r
the channel representation in the Transformed Domain, H̃, has
80
results
IV. Rthat all energy
EDUCTION of I(m)
OF THE ICI ANDis exp
AW
null energy in70 the frequencies q ≺ min(τi ). This result is the
channel band in the Transformed
BY MEANS OF AN ADEQUATE FI Domain
basis of our 60contribution. Fig 2in the
Channel spectrum and 3 confirm
new transformed domainthis analysis, by
analysis: we can see that when there
T RANSFORMED is
D OM
showing channel representation in the Transformed Domain
50 noise (snr = 100dB) , the channel
relatively to pilot sub-carriers, for two different Doppler’s In this paper, we suggest a new channe
Gain(Linear)
Doppler = 0hz ; SNR=100dB Transformed Domain obtained when th

values, and considering the system parameters given in table.2.
40 in the context of multipath variable m
150hz, is influenced by a Gaussian rando
30 We propose a better approach, which en
to the case of null Doppler Fig 2.
8020
channel estimate compared to that obtain
linear
IV. Rinterpolation
EDUCTION OF technique
THE ICIdescribed
AND AW
7010
aim is BYto reduce as much
MEANS OF AN ADEQUATE as possible FIth
Channel spectrum in the new transformed domain
60 0
0 20 40 60 80 100 120 140
ICI and channel Tnoise on the pilot
RANSFORMED su
D OMA
50
New transformed domain proper filtering in a new Transformed D
In this paper, we suggest a new channe
Gain(Linear)
Doppler = 0hz ; SNR=100dB

40
Fig. 2. Doppler = 0hz and SNR = 100dB inA. the
Thecontext
technique of multipath
details variable m
Figure 4.22 – Représentation dans le domaine Transformé du canal : Doppler
WeIn 0Hz
propose a better approach, which enam
30 what follows, only the multipath
channel
featuring a Doppler effect will be obtain
estimate compared to that consid
20
70
linear
which interpolation
complies withtechnique
the described
recommendatio
10
aim
ETSI,is to reduce as much as possible th
is used.
0
60
0 20 40 60 80 transformed
100 domain
120 140
ICI According to noise
and channel on the pilot
the analysis sub
describe
Channel spectrum in new
50
New transformed domain proper filtering in a new Transformed
channel gain on the pilot sub-carriers wi D
frequencies
Doppler = 150hz;
A. The techniquearea in the Transformed D
details
Gain(Linear)
40 Fig. 2. Doppler = 0hz and SNR = 100dB

SNR=100dB
ICI component I(k) can be considered
30
In what
process as follows,
mention only
in thethe multipath
previous sectim
featuring a Doppler effect will
on the entire channel bandwidth. Those be consid
20
70 which complies
basis of with the
our proposal. recommendatio
In the Transformed
10 ETSI,
middle is used.
part of channel bandwidth, is m
60
Channel spectrum in new transformed domain
According to the analysis
ICI interferences I(m) and the white G described
0
50 0 20 40 60 80
New transformed domain
100 120 140 channel gain onsuggest
We therefore the pilot
to sub-carriers
filter the lowwila
Doppler = 150hz; frequencies area in the Transformed
Transformed Domain, so that to reduce Do
Gain(Linear)
40 SNR=100dB
Fig. 3. Doppler = 150hz and SNR = 100dB ICI

by component I(k) can
the interference I(m)beonconsidered
the sub-caa
30 process as mention in the previous
Gaussian noise. The filtering process sectio
In the other
20 hand, the ICI component I(k) (7) relative to on the entire
eliminate noisechannel
and ICI bandwidth.
but enables Those
to re
basis of our proposal.
the subcarrier k, is a perturbation due to the frequencies’ energy over the entire signal’s bandwid In the Transformed
expansion, which itself ensues from the Doppler effect. It middle part of channel bandwidth, is mo
10
Domain.
0
ICI interferences I(m) and the white G
0 20 40 60 80 100 120 140
New transformed domain We therefore suggest to filter the low an
Transformed Domain, so that to reduce
Fig. 3. Doppler = 150hz and SNR = 100dB by the interference I(m) on the sub-ca
Figure 4.23 – Représentation dans le domaine Transformé du canal : Doppler 70Hz
Gaussian noise. The filtering process
In the other hand, the ICI component I(k) (7) relative to eliminate noise and ICI but enables to red
the subcarrier k, is a perturbation due to the frequencies’ energy over the entire signal’s bandwidt
expansion, which itself ensues from the Doppler effect. It Domain.
forte mobilité 171
Numéros de Puissance Delay du

As a result, Trajet Moyenne
when the Doppler (dB)
effect Trajetthe
increases, (𝜇s)
ICI’s power
level within1the unfiltered useful -3.0bandwidth increases
0.0 also. 10
−0.4
2 0.0
Figure 7 provides SER details for tree distinct case-0.2
scenarios of3 cut-off frequency -2.0 (5%, 4%, and 3% 0.5 of the global
energy is filtered) when a Doppler frequency1.6is 150Hz. We
4 -6.0 −0.5
10
5 -8.0 frequency of 2.34% the perfor-
SER
can thus observe that for a cut-off
6 - 10.0
mances are satisfactory, and we have a gain of 5.03dB compared
−0.6
10
to the simple first-order interpolation method. But when the
Table 4.3 – Paramètres du canal de Rayleigh utilisé dans les simulations : Recomman- 1srt or
cut-off frequency is 5%, the channel useful bandwidth is cut, Filteri
dation GSM 05.05 Filteri
and we could not recovery it correctly. Thus we observe a 10
−0.7 Filteri
great degradation. For a cut-off frequency of 3%, we observe 8 9

proposons
also a avec
littleledegradation
même type compared
d’interpolation.
to theLes
casefigures ci-dessous
of 4%. Indeed,donnent les
performances
in this case, the filtering done is not important enough soduthat
en termes de taux d’erreurs symboles en fonction doppler intro-
duit et de la fréquence de coupure du filtre réducteur de l’ICI. Fig. 7. SER:
to eliminate the ICI and the channel’s Gaussian noise.
On the basis of all these results, we can consider that the
Les Figures 4.24 et 4.25 montrent que la technique de filtrage de l’ICI adoptée
proposed
permet technique
d’obtenir un gainenables in 3dB
d’environ all cases
et ceto improve
pour the perfor-
un doppler faible (70Hz ) ou
pour un doppler important (150Hz ). Mais les performancestechnique,
mances obtained with the traditional interpolation obtenues dans le cas
d’unwhen a correct
doppler de 70Hzcut-off frequency
est bien meilleuris que
chosen.
cellesThe sole drawback
obtenues pour un doppler de
of pour
150Hz this les deux techniques
technique d’estimations.
is the cost associated with a frequency
filtering.
0
10
Table 1. Channel Pa
SER
−1
10
mobile radio commun

systems. This techniq
srt
1 order−interpolation: doppler=70Hz
Filtering Technique: doppler=70Hz
existing between diffe
−2
effect, and channel a
10
8 9 10
Eb/N0 (dB)
11 12 13
domain. We have thu
on the symbol error ra
Fig. 5. SER: Doppler= 70hz order interpolation es
Figure 4.24 – Taux d’Erreur Symbole. is to be compared to
estimation technique,
La Figure 4.26, donne les courbes du taux d’erreur symbole en fonction de lawe will try to r
works,
fréquence de coupure du filtre utilisé lorsque le doppler est fixé à 150Hz
−0.4
. Les
rather more simple fre
10
résultats montrent que pour une fréquence de coupure égale à 4%, on obtient
des performances satisfaisantes, avec un gain de 3dB par rapport à la méthode
10
−0.5
[1] H. G. Myung, J. Lim, a
wireless transmission,”
SER
2006.
−0.6
[2] “Utra utran long term e
10
sae,” 2004.
st
[3] “Technical specificatio
1 −order interpolation: 150 hz
Filtering technique: 150 hz pects for evolved utra
10
−0.7 [4] H. G. Myung and al, “P
SER
−1
10
mobile radio communications in

systems. This technique consists
srt
1 order−interpolation: doppler=70Hz
Filtering Technique: doppler=70Hz
existing between different carrie
−2
effect, and channel awgn noise
10
8 9 10
Eb/N0 (dB)
11 12 13
domain. We have thus shown th
on the symbol error rate in comp
Fig. 5. SER: Doppler= 70hz order interpolation estimation te
is to be compared to the increa
estimation technique, which uses
works, we will try to reduce this c
10
−0.4
rather more simple frequency filt
R EFEREN
10
−0.5
[1] H. G. Myung, J. Lim, and D. J. Good
wireless transmission,” IEEE Vehicula
SER
2006.
−0.6
[2] “Utra utran long term evolution lte an
10
sae,” 2004.
st
[3] “Technical specification group radio
1 −order interpolation: 150 hz
Filtering technique: 150 hz pects for evolved utra (release 7).”
10
−0.7 [4] H. G. Myung and al, “Peak-to-averag
8 9 10 11 12 13
signals with pulse shaping,” IEEE P
Eb/N0 [5] G. Berardinelli, L. A. Ruiz de Tem
P. Mogensen, “Ofdma vs. sc-fdma: p
imt-a scenarios,” vol. 15, no. 5, pp. 6
Fig. 6. SER: Doppler= 150hz
[6] Z. Yuping and H. Aiping, “A novel c
Figure 4.25 – Taux d’Erreur Symbole.
mobile communication systems bas
domain processing,” pp. 2089 – 2093
VI. C ONCLUSION [7] R. Steele, “Mobile radio communica
d’estimation ZF utilisée. Par contre lorsque la fréquence de coupure est fixée à
In this article, we have proposed an estimation technique, [8] E. T. S. Institute, “European digital
3%, le filtrage effectué dans le domaine transformé n’est pas assez important(phase2);
pour radio transmission and rece
which is suited to the Rayleigh-type variable channels for
réduire suffisamment le niveau de l’ICI et le bruit gaussien du canal. On obtient
ainsi une légère dégradation des performances par rapport à celles obtenues avec
la fréquence de coupure de 4%. Par contre la dégradation est plus forte lorsque la
fréquence de coupure est fixée à 5%. En effet dans ce cas, le filtrage effectué filtre en
plus de l’ICI, une partie du canal qui ne peut plus être retrouvé. Les performances
sont également dégradées par rapport à celle obtenue avec un filtrage à 4%. Tous
les résultats en termes de taux d’erreur symboles montrés dans cette section sont
obtenue sans codage canal ni d’entrelacement des symboles. Seuls les égaliseurs
proposés ont servi à retouver les symboles sources. Il n’est donc pas surprenant
d’avoir des taux d’erreur à 10−2 .
5 Conclusion
Dans ce chapitre nous avons présenté quelques techniques d’estimations de canal
adaptées aux systèmes SC-FDMA. Toutes les techniques présentées sont basées
sur l’insertion de symboles pilotes soit sur une partie des porteuses du signal,
soit sur la totalité des porteuses. Les performances obtenues sont comparées à
celles de la technique d’estimation ZF suggérée dans les spécifications de la norme
3GPP LTE. Il en ressort qu’au prix d’une légère augmentation de la complexité
du récepteur, il est possible d’améliorer de façon significative les performances
obtenues avec les spécifications de la norme.
5 Conclusion 173
ffect increases, the ICI’s power

ul bandwidth increases also. 10
−0.4
etails for tree distinct case-

5%, 4%, and 3% of the global
−0.5
ppler frequency is 150Hz. We 10

SER
off frequency of 4% the perfor-

e have a gain of 3dB compared −0.6
10
olation method. But when the
1srt order interpolation
annel useful bandwidth is cut, Filtering technique: Cut−off frequency 4%
Filtering technique: Cut−off frequency 5%
correctly. Thus we observe a 10
−0.7 Filtering technique: Cut−off frequency 3%
frequency of 3%, we observe 8 9 10 11 12 13

Eb/N0 (dB)
red to the case of 4%. Indeed,
s not important enough so that Fig. 7. SER: Cutoff frequency = 3%,4% and 5%
annel’s Gaussian noise. Figure 4.26 – Taux d’Erreur Symbole.
sults, we can consider that the
all cases to improve the perfor-
itional interpolation technique,
y is chosen. The sole drawback
associated with a frequency
Table 1. Channel Parameters Table 2. SCFDMA Parameters
mobile radio communications in the case of the SC-FDMA

systems. This technique consists in filtering the interference
on: doppler=70Hz
doppler=70Hz
existing between different carriers generated by the Doppler
effect, and channel awgn noise within a new transformed
0 (dB)
11 12 13
domain. We have thus shown that we can gain up to 3 dB
on the symbol error rate in comparison to the traditional first-
order interpolation estimation technique. However, this gain
Conclusion et Perspectives
Conclusion Les systèmes de troisième génération apparus avec l’UMTS, n’ont

pas cessé d’évoluer jusqu’aujourd’hui. Avec l’introduction récente de la technolo-
gie HSDPA et EV-DO Rev A, il ya eu une augmentation significative du trafic
des données mobiles dans les réseaux de communication dits de troisième géné-
ration. Certains opérateurs ont même vu quadrupler leur trafic en l’espace seule-
ment d’une année. Cette croissance fulgurante du trafique, accompagnée de la
prolifération de nouvelles applications sur les réseaux, amènera très rapidement
une saturation des cellules et des différents réseaux mobiles. Pour anticiper ces
nouveaux besoins, les réseaux actuels doivent être densifiés pour faire face aux
exigences de la clientèle des opérateurs. Depuis donc 2007, le 3GPP a servi de
tremplin pour mettre en place la solution LTE à travers la release 8, pour assurer
la compétitivité à long terme de l’UMTS.
Ce nouveau système, le LTE, est une amélioration du cœur même de réseaux

(U-TRAN) des systèmes existant. Dans nos travaux, nous nous sommes limités
à l’étude de l’évolution des techniques de modulations dans ce nouveau système.
Les techniques actuelles de modulation utilisées dans ces systèmes sont basées sur
les techniques du CDMA qui a l’avantage d’allouer toute la bande de fréquence
disponible à chaque mobile en les séparant par des codes spécifiques. Mais les
performances atteintes en termes de débits et de temps de latence sont encore
insuffisantes par rapport aux attentes de la clientèle. Ainsi, d’autres techniques
de modulation plus puissantes on été pensées et adoptées dans le nouveau sys-
tème LTE : Il s’agit du SC-FDMA et de l’OFDMA. Ces deux techniques ont été
respectivement proposées pour les communications en voix montante et descente
chacune ayant ces avantages et inconvénients.
Nos travaux sont organisés en quatre étapes qui constituent les 4 Chapitres de
ce document. Notre démarche a constitué dans un premier temps à l’étude du
nouveau signal SC-FDMA dans ces différentes déclinaisons. Les expressions ma-
thématiques, les différents mapping des sous-canaux du signal, et les deux tech-
niques de génération de ce signal font partie des points essentiels abordés dans ce
chapitre. L’intérêt majeur de ce nouveau signal qui porte sur son faible PAPR a
fait également l’objet d’étude plus approfondie permettant de mieux comprendre
cette notion ainsi que son influence sur les contraintes liées à l’amplification du
176 Conclusion
signal. Une étude comparative des performances a permis également de montrer

l’intérêt de l’application d’un tel signal, comparé à ses principaux concurrents à
savoir le signal OFDM et le signal CDMA, pour les communications en voix mon-
tante dans le nouveau système LTE. Pour finir, ce chapitre a permis également
de décrire les différentes spécifications du signal SC-FDMA dans le cadre de la
nouvelle norme de communication, le 3GPP LTE.
Deux éléments essentiels sont incontournables dans tout système de transmission.

Il s’agit d’une part du canal de transmission qui représente les perturbations subies
par le signal depuis l’émission jusqu’à sa réception ; et d’autre part du traitement
mis en place au niveau du récepteur permettant de s’affranchir de ces perturba-
tions. Ces deux aspects fondamentaux qui conditionnent la récupération de l’in-
formation transmise sont présentés en détail dans le Chapitre 2 de ce document.
Il a s’agit dans un premier temps de donner une description détaillée des caracté-
ristiques de quelques canaux classiques rencontrés dans la littérature. Au passage
notons que, les canaux Pedestrian A et le Véhicular A ont été régulièrement uti-
lisés lors des différentes simulations ayant permis de tester les performances des
différentes techniques apportées dans ce document. Le choix de ces canaux est
lié à leur proximité avec le canal réel de transmission dans les zones urbaines.
Quand aux techniques classiques d’égalisations qui y sont abordées, l’étude s’est
organisée autour de trois axes principaux à savoir : leur architectures, les critères
qu’ils optimisent ainsi que les algorithmes chargés de les faire converger vers la
solution optimale qui constitue l’état où le signal égalisé correspond à un retard
et une amplitude près, au signal émis.
Le Chapitre 3 présente nos différentes contributions concernant l’égalisation des

systèmes SC-FDMA. Dans un premier temps, nous avons introduit la technique
d’égalisation du Zéro-Forcing (ZF) suggérée dans le standard LTE qui servira de
base dans la mesure des performances des techniques que nous proposons. Comme
nous l’avons déjà mentionnée, cette technique, certes converge presque aussi ins-
tantanément vers la solution optimale, mais son principal handicap réside sur le
niveau de l’erreur quadratique moyenne résiduelle qui est élevé comparé à la plus
part des techniques existantes. Notre première contribution a été d’adapter au
système SC-FDMA un égaliseur de type DFE nommé EBA-DFE ou « Efficient
Block Adaptive Decision Feedback Equalizer ». Cet égaliseur est un peu plus éla-
boré que le simple égaliseur ZF, avec des performances plus intéressantes que
nous avons pu montrer dans l’étude de l’état de l’art. Le choix de cet égaliseur
est également justifié par notre volonté de valoriser un égaliseur déjà breveté par
France Télécom avec lequel nous étions en collaboration pendant nos travaux.
Son implémentation réalisée dans le domaine fréquentiel, nous a permis d’égali-
ser directement dans ce domaine le signal de chaque utilisateur après le premier
module DFT du récepteur. Rappelons au passage que l’implémentation dans le
domaine fréquentiel de l’égaliseur permet de réduire la complexité de sa structure.
Conclusion 177
Notre deuxième proposition d’égaliseur est inspirée d’une technique déjà proposée
pour le signal OFDM. Il s’agit de l’égalisation par sur-échantillonnage du signal.
Cette idée repose sur le fait que le sur-échantillonnage, opération réalisée en émis-
sion, est équivalent à une insertion d’un certain nombre de symboles nuls dans
le spectre du signal transmis. Tout se passe comme si ces symboles en question
viennent moduler des porteuses nulles dans le spectre du signal. Ce sont ces por-
teuses nulles que nous avons appelé porteuses fantômes qui sont exploitées à la
réception pour l’égalisation du signal. Si nous avons choisi d’adapter cette tech-
nique au signal SC-FDMA c’est pour des raisons liées à la nature du spectre de
ce signal. En effet le spectre du signal SC-FDMA d’un utilisateur donné présente
plusieurs porteuses nulles sur lesquelles viendront ensuite s’intercaler les signaux
des autres utilisateurs en réception. Notre contribution a été de se baser sur ces
porteuses fantômes déjà présent dans le signal afin de l’égaliser. Cette solution a
été satisfaisante lorsque nous ne considérons qu’un seul utilisateur, le cas multi-
utilisateurs nécessitant d’approfondir nos propos.
Notre troisième contribution repose sur la volonté d’appliquer des égaliseurs tem-
porels au système SC-FDMA afin de pouvoir utiliser par exemple, des critères
temporels tels le MEQM et le CMA. Cependant, on a été contraint à deux diffi-
cultés majeures liées à la nature du signal SC-FDMA qui empêche une application
directe de ces égaliseurs temporels au niveau récepteur. Il s’agit de la perte de la
linéarité du système due à la suppression de l’intervalle de garde à la réception, et
de la discrimination des mobiles réalisée dans le domaine fréquentiel. Cette discri-
mination dans le domaine fréquentiel rend difficile une application en amont d’un
égaliseur temporel. En effet pour égaliser chaque utilisateur séparément, cette
discrimination dans le domaine fréquentiel nous oblige à appliquer les critères
d’égalisation soit directement dans ce domaine ou en fin de réception après le
dernier module de DFT du récepteur. D’un autre coté, pour éviter la perte de la
linéarité dans le processus d’égalisation nous avons choisi dans cette proposition
d’appliquer le filtre égaliseur en amont du récepteur et cela avant la suppression
de l’intervalle de garde. Ces choix de positionnement du filtre et du critère d’éga-
lisation nous a conduit à proposer des adaptations au niveau récepteur afin de
permettre aux critères de servir à la détermination du filtre égaliseur optimale.
Cette proposition nous a permis d’appliquer les critères MEQM, CMA et même
de proposer une combinaison des critères MEQM et ZF.
Le Chapitre 4 qui est le dernier de ce document traite de nos propositions à l’égard

de techniques d’estimation de canal adaptées au système SC-FDMA. Rappelons
que certains égaliseurs nécessitent au préalable une estimation du canal de trans-
mission à savoir par exemple l’égaliseur de type ZF. L’estimation de canal est donc
déterminante quand aux performances de ces égaliseurs. Nous avons apporté deux
contributions sur ce sujet dans ce chapitre. La première contribution appelée tech-
nique d’estimation par ajout de signal, relève de la catégorie des techniques dites
supervisées du fait du signal ajouté qui peut être considéré comme un signal de
178 Conclusion
référence. Le but de la technique a été d’améliorer l’efficacité spectrale du sys-

tème SC-FDMA en réduisant le nombre de symboles pilotes présent dans le signal
SC-FDMA. L’idée de base a été d’ajouter sur le spectre du signal utile, un signal
aléatoire dont les statistiques sont exploitées à la réception pour estimer les per-
turbations du canal sur chacune des sous-porteuses du signal reçu. La deuxième
contribution est une idée déjà proposée dans la littérature que nous avons adaptée
à notre signal. Il s’agit d’une technique permettant d’améliorer l’estimée du canal
dans le cas de forte mobilité. L’idée proposée est le filtrage de l’ICI introduit par
l’effet doppler, dans un domaine particulier qui permet d’améliorer la qualité de
l’estimée du canal. Cette technique a été testée avec une estimation de type ZF.
Il en est ressorti des performances intéressantes puisse qu’elle nous a permis d’ob-
tenir dans certains cas un gain de 3dB quand elle est associée à une technique
d’estimation de canal.
Perspectives Dans nos travaux de recherches, certaines techniques d’estima-

tion et d’égalisation de canal que nous avons proposées nécessitent d’avantage un
approfondissement théorique que nous suggérons dans cette partie.
Dans le chapitre 3, nous avons introduit une technique de codage de source dont le
but a été d’introduire des symboles nuls dans le signal source transmis qui permet
d’appliquer à la réception l’égaliseur de type EBA-DFE(Confère section 3.3 de
ce chapitre). Ce codeur de source, nécessite un décodeur au niveau récepteur ce
qui complexifie d’avantage la structure globale de la chaine de transmission. Pour
pallier à cet handicap, nous suggérons dans cette partie une novelle formulation
du signal SC-FDMA : Il s’agit d’intervertir les modules DFT et IDFT au niveau
émetteur et récepteur du système au prix d’une certaine adaptation. Cette pro-
position émane de l’analyse suivante : Nous savons déjà que le multiplexage des
différents utilisateurs du système SC-FDMA dans le domaine fréquentiel, consiste
à assigner à chaque utilisateur une partie de la bande passante du système, le reste
de cette bande étant rempli de symboles nuls. Ces symboles peuvent directement
être exploités pour l’égalisation au lieu d’introduire un codeur de source comme
nous l’avons proposé. Cependant, leur exploitation nécessite un déplacement du
module DFT de l’émetteur que l’on implantera en fin d’émission. Ce qui conduit
à reformuler le signal SC-FDMA.
Notre deuxième suggestion concerne la technique d’égalisation par porteuses fan-

tômes 4. Comme nous l’avons déjà décrit, il s’agit d’une technique qui introduit
des porteuses nulles dans le spectre du signal à émettre tout en imposant au niveau
récepteur une minimisation de la puissance recueillie sur ces dites-porteuses. Nous
avons pu montrer que la technique fonctionne parfaitement lorsque le spectre du
signal source avant l’introduction des porteuses nulles est uniforme (pas de por-
teuses éteinte). Mais, cette situation n’arrive quasiment jamais du moment où
dans les standards télécom certaines sous-porteuses restent éteintes pour faciliter
des traitements comme la synchronisation. Nous avons mené une étude permet-
tant d’aboutir à la détermination du filtre optimal selon ce critère, mais dans le
Conclusion 179
cas que nous faisons allusion, une indétermination s’impose 4.4 et pourrait consti-
tuer un point d’étude plus approfondi.
Le troisième point que nous relevons concerne l’analyse sur la technique de filtrage
de l’ICI dans la section 4 du chapitre 4 qui est essentiellement basée sur le constat
suivant : La distinction, dans un domaine transformé (que nous avons présenté),
entre l’énergie proprement dite du canal et celle issue de l’interférence entre ca-
naux (ICI) due à l’effet doppler. Dans un future travail, nous préconisons d’étayer
ce constat par une analyse mathématique permettant de mettre en évidence cette
séparabilité. Une autre suggestion liée à cette technique, est la détermination de la
fréquence de coupure du filtre utilisé dans le domaine transformé pour la sépara-
tion des composantes du canal. Nous avons choisi une fréquence de coupure liée à
la localisation, dans le domaine transformé, de l’énergie du canal de transmission
proprement dite. La contrainte liée à cette méthode est la connaissance du niveau
d’énergie correspondant à l’ICI dans le domaine transformé. Ce niveau d’énergie
déterminant la fréquence de coupure à adopter, il est donc judicieux de l’exprimer
en fonction du doppler et de certaines caractéristiques du canal afin d’obtenir un
filtrage plus cohérent.
180 Conclusion
Mes Publications
Conférences Internationales
– S. YAMEOGO and J. PALICOT « Frequency domain equalization of sc-fdma
signal without any reference symbols »ICCE, Jan 2009, Las Vegas (usa).
– S.YAMEOGO and L.CARIOU J.PALICOT « Blind time domain equalization
of sc-fdma signal ». VTC-Fall, Sept 2009, Alaska (usa).
– S.YAMEOGO, J.PALICOT, and L.CARIOU « A semi-blind time domain equa-
lization of sc-fdma signal ». ISSPIT, Dec 2009, Ajaman (Dubai).
– S.YAMEOGO and J.PALICOTand L.CARIOU « Channel estimation technique
by hidden signal : Application in the sc-fdma context ». ICWMC, Sept 2010,
Valence (Spain).
– S.YAMEOGO, J.PALICOT, and L.CARIOU « Mobile radio channels’ estima-
tion for sc-fdma systems by means of adequate noise and inter-carrier interfe-
rence filtering in a transformed domain ». Workshop Globcom : BSCFDC, Dec
2010, Miami (usa).
Rapports
– On the extension of equalization systems, already patented by France Telecom.
Livrable n∘ 1, France Telecom R&D, contrat N∘ 46146063-8296, Nov 2009.
– Etude de techniques de traitement du signal pour améliorer l’efficacité spectrale
des systèmes SC-FDMA.
Livrable n∘ 2, France Telecom R&D, contrat N∘ 46146063-8296, Nov 2010.
Séminaires
– Techniques d’égalisations adaptées pour les systèmes SC-FDMA. Mars 2010,
Supelec/SCEE.
Divers
– 3GPP Long Term Evolution (3GPP LTE) : Evolution par rapport à la 3G.
Doctoriales Décembre 2008, Saint-Malo.
182 Conclusion
Annexe A
Technique d’Egalisation aveugle

basée sur des porteuses fantômes
A.1 Expression théorique du critère Jzero (Wzero ) : cas

OFDM
Nous montrons dans cette partie l’expression mathématique du critère des por-
teuses fantômes donnée dans la section 4.2 du chapitre 3 pour les systèmes OFDM.
Les différents signaux que nous utilisons dans cette section sont déjà définis dans
la section. 4.2.
On a :
H
YNz (n)YNz (n) = (FNz yN (n))H (FNz yN (n)) (A.1)
H H
= yN (n) (FNz FNz )yN (n)
Si on adamet la notation P = FNz H F , et en considérant l’expression y (n)
Nz N
donnée en (3.14), la relation ci-dessus devient :
H
YNz (n)YNz (n) = (𝜒2N (n)CW + 𝛽N (n)W )H P (𝜒2N (n)CW + 𝛽N (n)W )
= W H C H 𝜒2N (n)H P 𝜒2N (n)CW +
W H C H 𝜒2N (n)H P 𝛽N (n)W +
W H 𝛽N (n)H P 𝜒2N (n)CW +
W H 𝛽N (n)H P 𝛽N (n)W (A.2)
En calculant l’espérance mathématique de cette expression et en tenant compte
du fait que le bruit et le signal sont indépendant, on obtient l’expression du critère
recherché. On peut écrire la relation suivante :
[ H ]
Jzero = 𝜀 YNz (n)YNz (n) (A.3)
H H
[ 2 H 2
] H
[ H
]
= W C 𝜀 𝜒N (n) P 𝜒N (n) CW + W 𝜀 𝛽N (n) P 𝛽N (n) W
184 Technique d’Egalisation aveugle basée sur des porteuses fantômes
Jzero = W H [U + V ] W (A.4)
Avec :
U = C H 𝜀[𝜒2NH (n)P 𝜒2N (n)]C
H (n)P 𝛽 (n)]
V = 𝜀[𝛽N N
A.2 Algorithme d’adaptation du filtre Wzero : cas OFDM

L’égalité donnée en (3.14) traduit les transformations subies par le signal émis
depuis l’émetteur j’usqu’à la sortie de l’égaliseur. Pour simplifier les notation ,
nous introduisons RN (n), une matrice N × N formée par les N − 1 symboles reçus
après le passage dans le canal de transmission (voir relation (A.7)). Le vecteur
YNz (n) serait équivalent à :
YNz (n) = FNz RN (n)W
En considérant l’estimateur instantanné du critère Jzero donné par Jzero (n) =

H (n)Y (n), on peut écrire les relations suivantes :
YNz Nz
∂Jzero (n) ∂YNz (n)

= .YNz (n) (A.5)
∂W ∗ ∂W ∗
= RN (n)H FNz
H
YNz (n)
(A.6)
Où :
RN (n) = {rn , rn−1 , .., rn−N +1 } (A.7)
Avec : rn = 𝜒N (n).C + 𝛽N (n)

L’algorithme d’adaption du filtre égaliseur sera donnée par :
∂Jzero (n)
W (n + 1) = W (n) − 𝜇 (A.8)
∂W ∗
= W (n) − 𝜇 RN (n)H FNzH
YNz (n)
A.3 Expression théorique des critères Jutile (W ), Jutile (Wutile ),

Jutile (Wzero ) : cas OFDM
Jutile (W ) correspond à la valeur de l’erreur quadratique moyenne calculée sur les
symboles utiles lorsqu’un filtre quelconque W est appliqué au niveau récepteur. Le
A.3 Expression théorique des critères Jutile (W ), Jutile (Wutile ), Jutile (Wzero ) :
cas OFDM 185
fait d’imposer une contrainte d’énergie sur les porteuses nulles insérées (Jzero ) aura
nécessairement un impact sur les porteuses utiles du signal transmis. Elle permet
de conserver la même énergie sur les porteuses utiles à la réception qu’à l’émission.
C’est un simple moyen d’inhiber les pertubations du canal de transmissin ce qui
revient à égaliser le signal émis. Pour voir cet impact, on va déterminer l’expression
théorique de l’erreur quadratique moyenne sur les porteuses utiles lorsque le critère
Jzero est appliqué.
Le critère d’erreur quadratique moyenne minimale appliqué sur les porteuses utile
est donné par :
Jutile = 𝜀[(YNu (n) − XNu (n))H (YNu (n) − XNu (n))] (A.9)
Où :
YNu (n) = FNu .yNu (n) (A.10)
Avec XNu correspondant à la partie utile du signal source OFDM comme indiqué
sur la Figure 3.13.
En dévellopant les calculs on montre que :
H H H
Jutile = 𝜀[YNu (n)YNu ] + 𝜀[XNu (n)XNu (n)] − 2Re[𝜀[XNu (n)YNu ]] (A.11)
On peut facilement prouver que :
H 2
𝜀[XNu (n)XNu ] = Nu𝜎X N
(A.12)
H (n)Y
Le terme 𝜀[YNu Nu (n)] peut être obtenu à partir de l’expression de Jzero dé-
terminée dans la précédente section [?] en remplaçant la matrice P par la matrice
P donnée ci-dessous.
H
P̃ = FNu FNu . (A.13)
On aura :
H
𝜀[YNu (n)YNu (n)] = w H (U + V )w (A.14)
U et V étant obtenus à partir des expressions de U et V en remplaçant P par P .
Déterminons maintenant l’expression du dernier terme de l’équation A.11. Nous
avons :
H (n)Y
𝜀[XNu H 2
Nu (n)] = 𝜀[XNu (n)FNu (𝜒N (n)Cw + 𝛽N (n)w )]
Comme le signal émis et le bruit sont supposés être décorrelés on obtient l’égalité
suivante :
H (n)Y H
Nu ] = 𝜀[XNu (n)FNu 𝜒N (n)]Cw .
𝜀[XNu 2
H (n)F
Posons :R1 = [𝜀[XNu H
Nu 𝜒N (n)] et R2 = 𝜀[XNu (n)FNu 𝜒N (n − 1)].
H (n)Y
On aura : 𝜀[XNu H
Nu (n)] = [R1, R2]. R2 est nulle du fait que les termes XNu (n)
et 𝜒N (n − 1) sont indépendant.
On peut remarquer facilement que R1 est un vecteur ligne tel que :

N∑
−1 Nu−1
∑
R1j = 𝜀[ H k (n)F (k ,p) 𝜒(p,j ) (n)] pour j ∈ [0, .., N − 1].
XNu Nu N
p=0 k =0
D’après cette relation nous avons deux cas de figure :
Cas1 : p ≥ j Alors,
H (p−j ) H (p−j )
XNu (n) . On peut réécrire R1j comme
(p,j )
𝜒N (n) = FN Mu XNu (n) = FNu
suit :
N
∑ −1 Nu−1
∑ k H (p−j )
R1j = 𝜀[ H (k ,p)
XNu (n)FNu FNu XNu (n)] (A.15)
p=j k =0
N
∑ −1 Nu−1
∑ Nu−1
∑
H k (k ,p) H (p−j ,v ) v
= 𝜀[ XNu (n)FNu FNu XNu (n)]
p=j k =0 v =0
N
∑ −1 Nu−1
∑ Nu−1
∑ (k ,p) H (p−j ,v ) v H k
= FNu FNu 𝜀[XNu (n)XNu (n)]
p=j k =0 v =0
N
∑ −1 Nu−1
∑
2 (k ,p) H (p−j ,k )
= 𝜎X N
FNu FNu
p=j k =0
En posant FNu = FNuH F

Nu on a bien l’égalité FNu = P̄ (conf.A.11).
j
L’expression de R1 se ramène finalement à :
N
∑ −1
R1j 2 (p−j ,p)
= 𝜎X N
P (A.16)
p=j
Cas2 : p ≺ j Dans ce cas R1j = 0 car dans les calculs interviennent les termes
XNu (n) et XNu (n − 1) qui sont indépendants.
Ainsi en résumé le troisième terme de l’équation (A.11) vaut :
⎧ N∑
−1 (p−j ,p)

 2 P si j ≤ N − 1
⎨ 𝜎 XN
H p=j
𝜀[XNu (n)Yu (n)] = [R 1,j ] (A.17)


⎩
0, si j ≥ N
Au regard des équations (A.12), (A.14) et (A.17) on peut conclure sur l’expression
de l’erreur quadratique moyenne sur les porteuses utiles Jutile comme suit :
Jutile (w ) = w H (U + V )w + Nu𝜎X
2
N
− 2Re(RCw ) (A.18)
A.4 Analyse des expressions dans le cadre des systèmes SC-FDMA 187
R étant défini comme en (A.17).

La minimisation de cette quantité nous conduit au filtre MMSE qui minimise
l’erreur quadratique moyenne sur les symboles utiles. Nous allons le noté Wu .
Après dérivation de Jutile (w ) on obtient :
Wu = (U + V )−1 C H R H (A.19)
L’expression minimale de Jutile sera donc :
2
Jutile (Wu ) = Nu𝜎X N
− RCWu (A.20)
A.4 Analyse des expressions dans le cadre des systèmes

SC-FDMA
La figure ci dessous permet d’identifier les différents vecteurs de signaux utilisés
dans cette section est décrit dans la section 4.3 du chapitre 3.
X N ( n) xN ( n) yN (n) Z Nu (n)
ENu (n)
eNu (n) IDFT

P/S S/P
DFT
IDFT + Canal H -1
H + Egal. IDFT
CNA CAN
Bruit
M M -1
Znz (n)
Figure A.1 – Porteuses fantômes et Chaine de transmission SC-FDMA
Critère Jz dans le cas du SC-FDMA
SCFDMA = 𝜀[Z H (n)Z (n)]

On veut minimiser : Jzero nz nz
Avec : Znz = Mnz

−1 F y(n),
N
et y(n) = 𝜒2nN Cw + 𝛽nN w .
H z ] = w H C H 𝜀[𝜒2 H 𝒫𝜒2 ]Cw + w H 𝜀[𝛽 H 𝒫𝛽

On montre que : 𝜀[znz nz nN nN nN nN ]w .
H H
Où : 𝒫 = FN Mnz Mnz
−1 −1 F .
N
Posons : 𝒰 = C H 𝜀[𝜒2nNH 𝒫𝜒2 ]C , et 𝒱 = 𝜀[𝛽 H 𝒫𝛽

nN nN nN ].
SCFDMA
On peut ecrire : Jzero = w H (𝒰 + 𝒱)w
SCFDMA .
On veut minimiser Jzero
Pour éviter la solution trivial w = 0 on rajoute une contrainte d’égaliter au critère :
w H w = 1. On obtient le nouveau critère suivant :
min w H (𝒰 + 𝒱)w
w H w =1
Utilisons les multiplicateurs de Langrange pour résoudre ce problème.
SCFDMA (w , 𝜆) = w H (𝒰 + 𝒱)w − 𝜆(w H w − 1)

Jzero
Par
{ dérivation on a le syteme suivant :
(𝒰 + 𝒱)w = 𝜆 w
SCFDMA (w ) = 𝜆
Jzero
SCFDMA est donc la plus petite valeur propre positive de la matrice
L’optimum de Jzero
𝒰 + 𝒱.
Comment Calculer 𝒰 et 𝒱 ?
On a : 𝒱 = 𝜀[𝛽nNH 𝒫𝛽 ij
nN ] = [𝒱 ]. Où i, j ∈ [0 : N − 1]
Avec :
N∑
−1 N∑−1
𝒱 ij = 𝜀[ H (i, k )𝒫(k , p)𝛽
𝛽nN nN (p, j )]
p=0 k =0
N∑
−1 N∑
−1
= 𝜎b2 𝒫(k , p), avec : (i − k ) = (j − p).
p=0 k =0
= 𝜎b2 (N − ∣i − j ∣)𝒫(i, j )
𝒱 ij = 𝜎b2 (N − ∣i − j ∣)𝒫(i, j )
De plus :
[ ]
𝜀[𝜒H
nN 𝒫𝜒nN ] 𝜀[𝜒H nN 𝒫𝜒(n−1)N ]
𝒰 = C H 𝜀[𝜒2nN
H 𝒫𝜒2 ]C = C H C,
nN 𝜀[𝜒(n−1)N 𝒫𝜒nN ] 𝜀[𝜒H
H
(n−1)N 𝒫𝜒(n−1)N ]
Avec : 𝜀[𝜒H H H H
nN 𝒫𝜒nN ] = 𝜀[𝜒(n−1)N 𝒫𝜒(n−1)N ] et 𝜀[𝜒nN 𝒫𝜒(n−1)N ] = 𝜀[𝜒(n−1)N 𝒫𝜒nN ]
calculons 𝜀[𝜒H
nN 𝒫𝜒nN ]
On a :
⎡ ⎤
FN∗ (0)MHENu (n) FN∗ (N − 1)MHENu (n − 1) FN∗ (1)MHENu (n − 1)
⎢ .. ⎥
⎢ FN∗ (1)MHENu (n) FN∗ (0)MHENu (n) . ⎥
𝜒nN =⎢
⎢ .. .. ..
⎥
⎥
⎣ . . . FN (N − 1)MHENu (n − 1) ⎦
∗
FN∗ (N − 1)MHENu (n) FN∗ (N − 2)MHENu (n) FN∗ (0)MHENu (n)

ij
𝜀[𝜒HnN 𝒫𝜒nN ] = [𝒰1 ]
N∑
−1 N∑
−1
𝒰1 ij = 𝜀[ 𝜒H
nN (i, k )𝒫(k , p)𝜒nN (p, j )]
p=0 k =0
N∑
−1 N∑−1
= 𝒫(k , p)𝜀[𝜒∗nN (k , i)𝜒nN (p, j )]
p=0 k =0
N∑−1 N∑−1 j∑
−1 i−1
∑
(k −i) H (p−j ) (k −i+N ) (p−j +N )
= 𝜎E2 Nu [ 𝒫(k , p)TN TN + 𝒫(k , p)TN TNH ]
p=j k =i p=0 k =0
Où : i, j ∈ [0 : N − 1] et TNn = FNH (n)MHFNu

N∑
−1 N∑
−1 ∑∑ (k −i+N ) H (p−j +N )
D’où : 𝒰1 ij = 𝜎E2 Nu [ 𝒫(k , p)S (k −i)S H (p−j )+ 𝒫(k , p)TN TN ]
p=j k =i
De même :
ij
𝜀[𝜒HnN P 𝜒(n−1)N ] = [𝒰2 ] , ou i, j ∈ [0 : N − 1],
N∑
−1 N∑
−1
𝒰2 ij = 𝜀[ 𝜒H
nN (i, k )𝒫(k , p)𝜒(n−1)N (p, j )],
p=0 k =0
N∑
−1 N∑−1
= 𝒫(k , p)𝜀[𝜒∗nN (k , i)𝜒nN (p, j )],
p=0 k =0
N∑
−1 i−1
∑ (k −i+N ) H (p−j )
= 𝜎E2 Nu 𝒫(k , p)TN TN
p=j k =0
N∑
−1 i−1
∑ (k −i+N ) (p−j )
D’où : 𝒰2 ij = 𝜎E2 Nu 𝒫(k , p)TN TNH
p=j k =0
A.4.0.1 Description Mathématiques du Critères Ju

SCFDMA = 𝜀[(Z
Il s’agit du critère MMSE : Jutile H
Nu − ENu ) (n).(ZNu − ENu )(n)]
Avec ENu (n) = FNu eNu (n), ZNu = H −1 M −1 FN y(n), et y(n) = 𝜒2nN Cw + 𝛽nN w .
SCFDMA , on obtient : J = 𝜀[Z H Z

En develloppant Jutile H H
u Nu Nu ]+𝜀[ENu ENu ]−2Re[𝜀[ENu ZNu ]]
Calcul du terme 𝜀[ZNuH Z

Nu ] :
Il est obtenu à partir de l’expression de Jz en remplaçant dans les termes de 𝒰 et
𝒱 l’expression de 𝒫 par :
−1 H
𝒫 = FNH H −1 H MNu −1 −1
MNu H FN
H Z
Ainsi : 𝜀[ZNu H
Nu ] = w (𝒰 + 𝒱)w
Calcul du terme 𝜀[ENuH E

Nu ] :
𝜀[ENu ENu ] = 𝜀[eNu (n)H FNu
H H F H
Nu eNu (n)] = Nu𝜀[eNu (n) eNu (n)] = 𝜎eNu Nu
2
Où Nu est le nombre de symboles utiles.
Calcul du terme 𝜀[ENuH Z

Nu ] :
H H
𝜀[ENu ZNu ] = 𝜀[ENu H −1 M −1 FN (𝜒2nN Cw + 𝛽nN w )]
H H −1 M −1 F 𝜒2 Cw ] + 𝜀[E H H −1 M −1 F 𝛽
= 𝜀[ENu N nN Nu N nN w ]
H H −1 M −1 F 𝛽
Avec 𝜀[ENu N nN w ] = 0 on peut écrire :
H H
𝜀[ENu ZNu ] = 𝜀[ENu H M −1 FN 𝜒2nN ]Cw
−1
H H −1 M −1 F 𝜒2 ]
calculons maintenant :𝜀[ENu N nN
posons : D = H M FN et R = 𝜀[ENu
−1 −1 H D𝜒2 ]
nN
H D𝜒
on a : R = [𝜀[ENu H
nN ], 𝜀[ENu D𝜒(n−1)N ]]
H D𝜒 j
Posons : 𝜀[ENu nN ] = [R1 ] avec j ∈ [0 : N − 1]
−1 Nu−1
N∑ ∑ H
R1j = 𝜀[ ENu (1, k )D(k , p)𝜒nN (p, j )]
p=0 k =0
Nu−1
∑
H (1, k ) =
ENu (n) = FNu eNu (n) d’ou ENu H (n)(1, u)F H (u, k )
eNu nu
u=0
D’après la matrice 𝜒nN vu précédemment deux cas se présentent :
Cas 1 : p ⩾ j
∼ ∼
𝜒nN (p, j ) = FN∗ (p − j ) M FNu Xn avec M = MH
Ainsi en remplaçant 𝜒nN (p, j ) et ENuH (1, k ) par leur valeur on a :
N∑
−1 Nu−1
∑ Nu−1
∑ ∼
R1j = 𝜀[ eNu (n)H (1, u)FNu
H (u, k )D(k , p)F ∗ (p − j )
N M FNu eNu (n)]
p=j k =0 u=0
N∑−1 Nu−1
∑ ∼ Nu−1
∑
= D(k , p)FN∗ (p − j ) M 𝜀[ eNu (n)H (1, u)FNu
H (u, k )F
Nu eNu (n)]
p=j k =0 u=0
N∑
−1 Nu−1
∑ Nu−1
∑ ∼
= D(k , p)𝜀[ eNu (n)H (1, u)FNu
H (u, k )G(p − j )e
Nu (n)] avec : G = FNH M FNu
p=j k =0 u=0
N∑
−1 Nu−1
∑ Nu−1
∑ Nu−1
∑
= D(k , p)𝜀[ eNu (n)H (1, u)FNu
H (u, k ) G(p − j , v )eNu (n)(v , 1)]
p=j k =0 u=0 v =0
N∑
−1 Nu−1
∑ Nu−1
∑
D(k , p) H (u, k )G(p − j , u)𝜀[e
FNu H
= Nu (n) (1, u)eNu (u, 1)]
p=j k =0 u=0
N∑
−1 Nu−1
∑ Nu−1
∑ H
= 𝜎E2 Nu D(k , p) FNu (u, k )G(p − j , u)
p=j k =0 u=0
N∑
−1 Nu−1
∑
= 𝜎E2 Nu H (k )
D(k , p)G(p − j )FNu
p=j k =0
Ainsi :
N∑
−1 Nu−1
∑ ∼ ∼
R1j = 𝜎E2 Nu D(k , p) G (p − j , k ) H
avec : G = GFNu
p=j k =0
N∑
−1 ≈ ≈ ∼
= 𝜎E2 Nu G (p − j , p)avec : G = G D
p=j
Par conséquent : Pour p ⩾ j on a :
N∑
−1 ≈
R1j = 𝜎E2 Nu G (p − j , p)
p=j
≈ ∼ ∼
Avec : G = FNH M FNu FNu
H D = FH
N M D
Cas 2 : p ≺ j
Pour p ≺ j R1j = 0 car en reprenant les calculs précedents on aura le terme :

𝜀[eNu (n)H (1, u)eNu (n − 1)(u, 1)] qui est nulle.
D’où :
⎧
⎨ 𝜎 2 N∑−1 ≈ ≈ ∼
j ENu G (p − j , p) avec : G = FNH M D et pour j ∈ [0, N − 1]
R1 = p=j
⎩
0 pour j ∈ [N , 2N − 1]
En Conclusion :
SCFDMA = W H (𝒰 + 𝒱)W + Nu𝜎 2

Jutile ENu − 2Re(RCW )
Le filtre minimisant ce critere est solution de l’équation : ∂Ju

∂w = 0 d’où le filtre
optimal Wu :
Wu = (𝒰 + 𝒱)−1 C H R H
SCFDMA (Wu) est donné par :
et Le minimum du critère Jutile
SCFDMA (Wu) = Nu𝜎 2

Jutile ENu − RCWu
A.4.0.2 SCFDMA obtenu avec le filtre Wz

Le Critère Jutile
– Principe :
Il s’agit de déterminer la valeur du critère Ju lorsque l’égalisation est faite à
SCFDMA . En d’autres termes on veut connaître la valeur de
partir du critère Jzero
SCFDMA
Jutile pour W = Wz
SCFDMA :
– Formule générale du Critère Jutile
SCFDMA = W H (𝒰 + 𝒱)W + Nu𝜎 2

Jutile ENu − 2Re(RCW )
SCFDMA
– Filtre Wz obtenu avec le critère Jzero :
Wz correspond à un vecteur propre associé à la plus petite valeur propre de la

Matrice de 𝒰 + 𝒱. Remarque : Ce vecteur n’est pas unique car toute multicapli-
cation par une constante est aussi vecteur propre. Il faut donc trouver un bon
coefficient qui permet à l’algorithme de converger.
SCFDMA (Wz ) :
– Calcul de Jutile
Il suffit de remplacer dans l’expression de Ju, W par Wz . On a :

SCFDMA (Wz ) = W H (𝒰 + 𝒱)W + Nu𝜎 2
Jutile z z ENu − 2Re(RCWz )
Bibliographie
[1] Genevieve Baudoin. Radiocommunications Numériques : Principe, Modélisa-

tion et Simulation (Tome 1). 2002.
[2] Li Zhihua and Zhang Qishan. Ordering of walsh functions. (2) :115–119,
1983.
[3] L. Blaesser. Walsh power spectrum for wide-sense stationary stochastic pro-
cesses (corresp.). 32(5) :716–724, 1986.
[4] O. K. Ersoy. On walsh-domain versus rdft filtering. 36(11) :1786–1787, 1988.
[5] Youngchul Sung, Yirang Lim, Lang Tong, and A.-J. van der Veen. Signal
processing advances for 3g wcdma : From rake receivers to blind techniques.
47(1) :48–54, 2009.
[6] I. Poole. What exactly is ... ... cdma 2000 ? Communications Engineer,
4(1) :46–47, 2006.
[7] A. Samukic. Umts universal mobile telecommunications system : development
of standards for the third generation. In Proc. Bridge to Global Integration.
IEEE Global Telecommunications Conf. GLOBECOM 98, volume 4, pages
1976–1983, 1998.
[8] E.T Heald M.L Doelz and D.L Martin. Binary data transmission techniques
for linear systems. Proceedings of IRE, 45 :656–661, May 1957.
[9] J. A. C. Bingham. Multicarrier modulation for data transmission : an idea
whose time has come. IEEE Communications Magazine, 28(5) :5–14, 1990.
[10] Hyung G.Myung and David J.Goodman. Singla Carrier FDMA : A new air
Interface for Long Term Evolution. 2008.
[11] Hyung G. Myung, Junsung Lim, and David J. Goodman. Single carrier fdma
for uplink wireless transmission. IEEE Vehicular Technology Magazine, 1,
Sep. 2006.
[12] Tobias Frank, Anja Klein, Elena Costa, and Egon Schulz. Ifdma - a promising
multiple access scheme future mobile radio systems. PIMRC, 2005Berlin.
[13] U. Sorger, De Broeck, and M. Schnell. Interleaved fdma -a new spread-
spectrum multiple-access scheme. Proc.IEEE ICC’98, June 1998.
[14] H. G. Myung, Kyungjin Oh, Junsung Lim, and D. J. Goodman. Channel-
dependent scheduling of an uplink sc-fdma system with imperfect channel
194 Bibliographie
information. In Proc. IEEE Wireless Communications and Networking Conf.

WCNC 2008, pages 1860–1864, 2008.
[15] Junsung Lim, H. G. Myung, Kyungjin Oh, and D. J. Goodman. Channel-
dependent scheduling of uplink single carrier fdma systems. In Proc. VTC-
2006 Fall Vehicular Technology Conf. 2006 IEEE 64th, pages 1–5, 2006.
[16] J. Palicot and Y. Louet. Power ratio definition and analysis in single carrier
modulation. European Signal Processing Conference, EUSIPCO, 2005.
[17] J. Tellado-Mourelo. Peak to Average Power Reduction for Multicarrier Mo-
dulation. PhD thesis, Stanford University, Sept 1999.
[18] D. Guel, Y. Louet, and J. Palicot. A geometric method for papr reduction
in a signal adding context for ofdm signals. In Proc. 15th Int Digital Signal
Processing Conf, pages 347–350, 2007.
[19] A. Saleh. Frequency-independent and frequency-dependent nonlinear models
of twt amplifiers. 29(11) :1715–1720, 1981.
[20] C. Rapp. Effects of hpa nonlinearity on a 4-dpsk/ofdm signal for a digital
sound broadcasting system. European Conference on satellite Communica-
tions, vol.1 :1245–1253, Oct. 1991.
[21] W. Ciccognani, P. Colantonio, F. Giannini, E. Limiti, and M. Rossi. Am/am
and am/pm power amplifier characterisation technique. In Proc. MIKON-
2004 Microwaves, Radar and Wireless Communications 15th Int. Conf, vo-
lume 2, pages 678–681, 2004.
[22] A. A. Moulthrop, C. J. Clark, C. P. Silva, and M. S. Muha. A dynamic
am/am and am/pm measurement technique. In Proc. IEEE MTT-S Int.
Microwave Symp. Digest, volume 3, pages 1455–1458, 1997.
[23] Yves Louet. Prise en compte du facteur de crête dans le dimensionnement
des systèmes de télécommunications. Supelec/SCEE, Jan 2010.
[24] G Baudoin, P Jardin, and R Marshalek. Power amplifier linearisation using
pre-distortion with memory. RADIOELEKTRONIKA, pages 193–196, 2003.
[25] R. D. Stewart and F. F. Tusubira. Feedforward linearisation of 950 mhz
amplifiers. IEE Proceedings H Microwaves, Antennas and Propagation,
135(5) :347–350, 1988.
[26] P. Eskelinen. High-linearity rf amplifier design [book review]. IEEE Aerospace
and Electronic Systems Magazine, 16(10) :17–18, 2001.
[27] M. K. Kazimierczuk. RF Power Amplifiers. December 2008.
[28] K. H. Abed, M. K. Kazimierczuk, S. B. Nerurkar, and M. P. Senadeera.
Linearization techniques in power amplifiers for 1.9 ghz wireless transmitters.
In Proc. 48th Midwest Symp. Circuits and Systems, pages 1103–1106, 2005.
[29] I. M. Hussain and I. A. Tasadduq. Papr analysis in ofdm signals based on po-
wer variance. In Proc. 4th Int. Conf. Wireless Communications, Networking
and Mobile Computing WiCOM ’08, pages 1–4, 2008.
Bibliographie 195
[30] M. Cosgrove, J. Short, and B. Zako. Implementing a quality gsm radio sys-
tem. In Proc. Seventh IEE European Conf. Mobile and Personal Communi-
cations, pages 195–198, 1993.
[31] E. A. Quincy and R. J. Achatz. Performance prediction of gsm digital cellular
speech and image transmission. In Proc. IEEE Pacific Rim Conf. Commu-
nications, Computers, and Signal Processing, pages 26–31, 1995.
[32] R. Becker, W. Groeneweg, and R. Burdenski. Rf power control in gsm systems
for constant and non constant envelope modulation schemes. In Proc. Int.
Symp. Circuits and Systems ISCAS ’03, volume 3, 2003.
[33] Litsyn. S. Peak powr control in multicarrier communications. Technical
report, Cambridge University Press, 2007.
[34] Hyung G. Myung and al. Peak-to-average power ratio of single carrier fdma
signals with pulse shaping. IEEE PIMRC, 1, Sep. 2006.
[35] S. K. Yusof, N. Fisal, U. Kannan, and Y. H. Wong. A block coded am-
plitude clipping and filtering for peak-to-average power ratio in orthogonal
frequency division multiplexing system. In Proc. Student Conf. Research and
Development SCORED 2003, pages 105–108, 2003.
[36] D. Wulich and L. Goldfeld. Bound of the distribution of instantaneous power
in single carrier modulation. 4(4) :1773–1778, 2005.
[37] Ochiai. H and Imai. H. On the distribution of the peak-to-average power
ratio in ofdm system. 49 :282–289, 2001.
[38] Yves Louet Jacques Palicot. Power ratio definitions and analysis in single
carrier modulations. EUSIPCO, Sept. 2005.
[39] F. Adachi, D. Garg, S. Takaoka, and K. Takeda. Broadband cdma techniques.
12(2) :8–18, 2005.
[40] Release r97.
[41] John G. Proakis. Digital Communications. 2008.
[42] G. C. Carter. Coherence and time delay estimation. IEEE J PROC,
75(2) :236–255, 1987.
[43] J. Jalden and G. Matz. Mimo receiver diversity in general fading. In Proc.
IEEE Int. Conf. Acoustics, Speech and Signal Processing ICASSP 2008, pages
2837–2840, 2008.
[44] 3GPP TS 25.101. Technical specification group radio access network ; user
equipment (ue) radio transmission and reception (fdd) release 7. page Section
B.2.2, Sep 2002.
[45] M. Rahnema. Multipath and path loss modeling. In UMTS Network Plan-
ning, Optimization, and Inter-Operation with GSM, pages 41–64. IEEE, 2009.
[46] D. Godard. Self-recovering equalization and carrier tracking in two-
dimensional data communication systems. 28(11) :1867–1875, 1980.
196 Bibliographie
[47] A. Goupil and J. Palicot. New algorithms for blind equalization : The
constant norm algorithm family. 55(4) :1436–1444, 2007.
[48] K. Abend and B. D. Fritchman. Statistical detection for communication
channels with intersymbol interference. 58(5) :779–785, 1970.
[49] Thomas Bayes. An essay towards solving a problem in the doctrine of chances.
Philosophical Transaction of the Royal Society of London, 50 :370–418, 1763.
[50] F. K. Becker, L. N. Holzman, R. W. Lucky, and E. Port. Automatic equali-
zation for digital communication. 53(1) :96–97, 1965.
[51] LAOT Christophe. Egalisation Autodidacte et turbo-égalisation : Aplication
aux canaux sélectifs en fréquence. PhD thesis, Université de Rennes1, 1997.
[52] Stearns Bernard Widrow, Samuel D. Adaptive Signal Processing. Prentice
Hall, 1985.
[53] J. Palicot. A weighted decision feedback equalizer with limited error pro-
pagation. In Proc. IEEE Int. Conf. Communications ICC 2000, volume 1,
pages 377–381, 2000.
[54] J. Palicot and A. Goupil. Performance analysis of the weighted decision
feedback equalization. EURASIP, 88 :284–295, 2008.
[55] D. Mottier, M. Helard, and J. Labat. Self-adaptive decision feedback equali-
zation : application to high-order qam signals. In Proc. ’Towards the Know-
ledge Millennium’ Communications ICC 97 Montreal 1997 IEEE Int. Conf,
volume 2, pages 1100–1104, 1997.
[56] K. Berberidis and J. Palicot. A frequency-domain decision feedback equalizer
for multipath echo cancellation. In Proc. IEEE Global Telecommunications
Conf. GLOBECOM ’95, volume 1, pages 98–102, 1995.
[57] A. Waksman. On winograd’s algorithm for inner products. (4) :360–361,
1970.
[58] K. Berberidis and P. Karaivazoglou. An efficient block adaptive decision
feedback equalizer implemented in the frequency domain. 50(9) :2273–2285,
2002.
[59] D. Raphaeli and Y. Zarai. Combined turbo equalization and turbo decoding.
In Proc. IEEE Global Telecommunications Conf. GLOBECOM ’97, volume 2,
pages 639–643, 1997.
[60] F. Tobias, K. Anja, C. Elena, and S. Egon. Low complexity equalization with
and without decision feedback and its application to ifdma. 11–14 Sep. 2005.
[61] Yang Wen, Wei Huang, and Zhongpei Zhang. Cazac sequence and its appli-
cation in lte random access. In Proc. ITW ’06 Chengdu Information Theory
Workshop IEEE, pages 544–547, 2006.
[62] Yafeng Wang, Aoyang Zheng, Junfeng Zhang, and Dacheng Yang. A no-
vel channel estimation algorithm for sounding reference signal in lte uplink
transmission. In Proc. IEEE Int. Conf. Communications Technology and
Applications ICCTA ’09, pages 412–415, 2009.
Bibliographie 197
[63] C. A. Belfiore and Jr. Park, J. H. Decision feedback equalization. 67(8) :1143–
1156, 1979.
[64] R. Kennedy and B. Anderson. Recovery times of decision feedback equalizers
on noiseless channels. 35(10) :1012–1021, 1987.
[65] Sosthène Yameogo and Jacques Palicot. Frequency domain equalization of
sc-fdma signal without any reference symbols. ICCE, 2009.
[66] M. de Courville, P. Duhamel, P. Madec, and J. Palicot. Blind equaliza-
tion of ofdm systems based on the minimization of a quadratic criterion. In
Converging Technologies for Tomorrow’s Applications Communications ICC
96, Conference Record 1996 IEEE International Conference on, volume 3,
pages 1318–1322, 23–27 June 1996.
[67] Marc de Courville. Utilisation de bases orthogonales pour l’algorithmique
adaptative et l’égalisation des systèmes multiporteuses. PhD thesis, Ecole
nationale supérieure des télécommunications, 1996.
[68] J. Wintermantel and N. J. Fliege. A class of dft polyphase filter banks
for orthogonal multiple carrier data transmission. In Proc. Symp. IEEE Int
Circuits and Systems ISCAS ’92, volume 3, pages 1332–1335, 1992.
[69] R. Hopkins. Digital terrestrial hdtv for north america : the grand alliance
hdtv system. 40(3) :185–198, 1994.
[70] Sosthène Yameogo, Jacques Palicot, and Laurent Cariou. Blind time domain
equalization of sc-fdma signal. VTC-Fall, 2009.
[71] Jr. Johnson, R., P. Schniter, T. J. Endres, J. D. Behm, D. R. Brown, and
R. A. Casas. Blind equalization using the constant modulus criterion : a
review. 86(10) :1927–1950, 1998.
[72] A. Goupil. Egaliseur à retour de décisions pondérées. PhD thesis, Université
Renes1, Sep 2005.
[73] Alban Goupil and Jacques Palicot. Constant norm algorithms class. EU-
SIPCO, September 2002.
[74] 3GPP TS 36.211, (2007-11).
[75] Sosthène Yameogo, Jacques Palicot, and Laurent Cariou. A semi-blind time
domain equalization of sc-fdma signal. ISSPIT, 2009.
[76] J. W. M. Bergmans. Efficiency of data-aided timing recovery techniques.
41(5) :1397–1408, 1995.
[77] Chiung-Jang Chen and Li-Chun Wang. On the performance of the zero-
forcing receiver operating in the multiuser mimo system with reduced noise
enhancement effect. In Proc. IEEE Global Telecommunications Conf. GLO-
BECOM ’05, volume 3, 2005.
[78] O. ; Sandell M. ; Wilson S.K. ; Borjesson P.O. van de Beek, J.-J. ; Edfors. On
channel estimation in ofdm system. Vehicular Technology Conference, 1995
IEEE 45th, Vol.2 :815–819, 1995.
198 Table des figures
[79] Jr. Cimini, L. Analysis and simulation of a digital mobile channel using
orthogonal frequency division multiplexing. 33(7) :665–675, 1985.
[80] Meng-Han Hsieh and Che-Ho Wei. Channel estimation for ofdm systems
based on comb-type pilot arrangement in frequency selective fading channels.
44(1) :217–225, 1998.
[81] Sosthène Yameogo, Jacques Palicot, and Laurent Cariou. Channel estimation
technique by hidden signal : Application in the sc-fdma context. ICWMC,
2010.
[82] Yuping Zhao and Aiping Huang. A novel channel estimation method for ofdm
mobile communication systems based on pilot signals and transform-domain
processing. In Proc. IEEE 47th Vehicular Technology Conf, volume 3, pages
2089–2093, 1997.
[83] Channel estimation in OFDM systems utilizing pilots, number 187-190, Fin-
land, September 1996. IEEE Nordic Signal processing Svmuosium.
[84] Charles W. Therrien. Discrete random signals and statistical signal proces-
sing. Prentice Hall, Englewood Cliffs, NJ, 1992.
[85] J. Schoukens and J. Renneboog. Modeling the noise influence on the fourier
coefficients after a discrete fourier transform. volume IM-35, pages 278–298,
September 1986.
[86] Sosthène Yameogo, Jacques Palicot, and Laurent Cariou. Mobile radio chan-
nels’ estimation for sc-fdma systems by means of adequate noise and inter-
carrier interference filtering in a transformed domain. Workshop Globcom :
BSCFDC, 2010.
[87] R. Steele. Mobile Radio Communications. :. Pentech Press Limited, London,
England, 1992.
[88] European Telecommunications Standard Institute. European digital cellular
telecommunication system (phase2) ; radio transmission and reception, gsm
0505. July,1993.
Table des figures
1.1 FDMA : Partage des ressources radio en fréquence. . . . . . . . . 12

1.2 TDMA : Partage des ressources radio en temps. . . . . . . . . . . 13
1.3 FDMA-TDMA : Partage des ressources radio en temps et en fé-
quence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 CDMA : Partage des ressources radio par étalement spectrale. . . 15
1.5 La modulation mono-porteuse . . . . . . . . . . . . . . . . . . . . . 16
1.6 La modulation muti-porteuses . . . . . . . . . . . . . . . . . . . . . 17
1.7 Emetteur SC-FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8 Filtre de mise en forme en Cosinus sur-élevé . . . . . . . . . . . . . 19
1.9 Récepteur SC-FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.10 Mapping I-FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.11 Mapping L-FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.12 Spectre du signal SC-FDMA au niveau Récepteur . . . . . . . . . . 23
1.13 Nouvelle méthode de génération du signal I-FDMA. . . . . . . . . . 26
1.14 Exemple de Caractéristique AM/AM d’un amplificateur de puissance 29
1.15 Exemple de Caractéristique AM/AM d’un amplificateur de puissance 31
1.16 Comparaison de la CCDF du PAPR du signal SC-FDMA sans filtre
de mise en forme, et du signal OFDMA. . . . . . . . . . . . . . . . 34
1.17 Comparaison de la CCDF du PAPR du signal SC-FDMA avec un
filtre de mise en forme en consinus-surélevé (Rool-off 𝛼), et du
signal OFDMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.18 Emetteur/Récepteur des systèmes OFDMA et SC-FDMA . . . . . 36
1.19 Comparaison des modes de transmission parallèle (resp. séquentiel)
des systèmes OFDMA (resp. SC-FDMA) . . . . . . . . . . . . . . . 37
1.20 Egalisation des systèmes OFDMA et SC-FDMA . . . . . . . . . . . 38
1.21 Emetteur/Récepteur du DS-CDMA avec une Egalisation FDE . . . 39
1.22 Trame et Slot du système SC-FDMA. . . . . . . . . . . . . . . . . 41
1.23 Absorption de l’interférence entre symbole IES . . . . . . . . . . . 42
1.24 Le mode de transmission TDD. . . . . . . . . . . . . . . . . . . . . 43
1.25 Représentation temporellle du slot d’un système SC-FDMA à 5
Mhz de largeur de bande . . . . . . . . . . . . . . . . . . . . . . . . 44
1.26 Représentation fréquentielle du slot d’un système SC-FDMA à 5
Mhz de largeur de bande . . . . . . . . . . . . . . . . . . . . . . . . 45
200 Table des figures
2.1 Propagations dans l’espace . . . . . . . . . . . . . . . . . . . . . . . 49

2.2 Modélisation de la propagation du signal dans le canal de transmission 50
2.3 Canal SIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.4 Canal SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5 Canal MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.6 Proakis1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.7 Proakis2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.8 Proakis3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.9 Macchi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
−9.7 −22.8
2.10 Représentation des spectres des canaux suivants :PedestrianA [1 10 20 10 20 ]
−1 −9 −10 −15 −20
et VéhicularA ([1 0 10 20 0 10 20 10 20 0 0 0 10 20 0 0 0 10 20 ]) . . 55
−9.7 −22.8
2.11 Représentation des Zéros des canaux suivants :PedestrianA [1 10 20 10 20 ]
−1 −9 −10 −15 −20
et VéhicularA ([1 0 10 20 0 10 20 10 20 0 0 0 10 20 0 0 0 10 20 ]) . . 56
2.12 Structure de l’Egaliseur Linéaire Transverse ELT . . . . . . . . . . 76
2.13 Structure de l’Egaliseur Linéaire Récursif ELR . . . . . . . . . . . 77
2.14 Structure de l’Egaliseur à Retour de Décision ERD . . . . . . . . . 78
2.15 Structure du SADFE en phase de convergence . . . . . . . . . . . . 80
2.16 Structure du SADFE en phase de poursuite . . . . . . . . . . . . . 80
2.17 Structure de l’Egaliseur Annuleur d’Interférence AI . . . . . . . . . 82
2.18 Structure d’une section du Treillis pour une constellation BPSK . . 83
2.19 Schéma de principe d’un turbo Egaliseur . . . . . . . . . . . . . . . 83
2.20 Structure du module N∘p d’un turbo Egaliseur . . . . . . . . . . . 84
3.1 Egalisation type ZF : Canal Pedestrian A et Vehicular A . . . . . . 90

3.2 Comparaison ZF et MEQM en terme de Taux d’Erreur Symbole
(TES) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.3 Calcul de la Confiance associée aux symboles décidés. . . . . . . . . 93
3.4 Structure de l’ERDP . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.5 Canal Vehicular A . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.6 Canal Pedestrian A . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.7 Structure de l’Egaliseur Frequentiel à Retour de Décision EBA-DFE 97
3.8 Exemple du fonctionnement du codeur . . . . . . . . . . . . . . . . 100
3.9 Erreur Quadratique Moyenne EQM, Constellation en Entrée/Sortie
j𝜋
du Décodeur pour le Canal H = [1 0.5 0.2e 2 ] . . . . . . . . . . 101
3.10 Erreur Quadratique Moyenne EQM, Constellation en Entrée/Sortie
du Décodeur pour le Canal Pedestrian A . . . . . . . . . . . . . . . 102
3.11 Modélisation du système OFDM à base de banc de filtres analogiques104
3.12 Modélisation discrète du système OFDM sur-échantillonné . . . . . 104
3.13 Chaine de transmission du système OFDM sur-échantillonné . . . . 106
3.14 Canal Gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.15 Canal Pedestrian A . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.16 Porteuses fantômes et Chaine de transmission SC-FDMA . . . . . 112
3.17 Performances théoriques des différents critères présentés . . . . . . 117
Table des figures 201
3.18 Résultats de simulation : Canal Pedestrian . . . . . . . . . . . . . . 118

3.19 Résultats de simulation : Canal h2 . . . . . . . . . . . . . . . . . . 119
3.20 Cas : multi-utilisateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.21 OFDM avec porteuses nulles dans le spectre utile . . . . . . . . . . 121
3.22 Résultats Théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.23 Résultats de simulations : Canal Pedestrian A . . . . . . . . . . . . 125
3.24 Découplage entre filtre égaliseur et algorithme d’égalisation . . . . 127
3.25 Erreur Quadratique Moyenne pour un canal Pedestrian A : Cas des
Algorithmes du CMA, ZF et MEQM . . . . . . . . . . . . . . . . . 131
3.26 Combinaison des égaliseur type ZF et MEQM . . . . . . . . . . . . 133
3.27 Performances en termes d’Erreur Quadratique Moyenne . . . . . . 134
4.1 Répartition temporelle des Pilotes . . . . . . . . . . . . . . . . . . 140

4.2 Répartition fréquentielle des Pilotes . . . . . . . . . . . . . . . . . . 141
4.3 Erreur Quadratique Moyenne : Canal Pedestrian A, snr = 30 dB . 143
4.4 Erreur Quadratique Moyenne : Canal Véhicular A, snr = 30 dB . . 144
4.5 Taux d’erreurs symboles TES : Canal Pedestrian A . . . . . . . . . 144
4.6 Modification de l’Emetteur SC-FDMA : Ajout de Signal . . . . . . 148
4.7 Taux d’Erreur Symbole : Canal Gaussien . . . . . . . . . . . . . . . 152
4.8 Taux d’Erreur Symbole en fonction du paramètre 𝛼 : Canal Gaussien153
4.9 Taux d’Erreur Symbole : Canal Pedestrian A , Egaliseur type ZF . 153
4.10 Taux d’Erreur Symbole : Canal Vehicular A , Egaliseur type ZF . . 154
4.11 Taux d’Erreur Symbole : Canal Pedestrian , Egaliseur type MEQM 155
4.12 Taux d’Erreur Symbole : Canal Vehicular A , Egaliseur type MEQM155
4.13 Domaine Transformé . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.14 Une Ressource Bloc du SC-FDMA . . . . . . . . . . . . . . . . . . 160
4.15 Structure de l’estimateur . . . . . . . . . . . . . . . . . . . . . . . . 160
4.16 Apllication de la structure du filtrage de l’ICI dans le récepteur
SC-FDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
4.17 Schéma synoptique de la sélection dynamique de la fréquence de
coupure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
4.18 Structure équivalente du récepteur SC-FDMA : Intégration du fil-
trage de l’ICI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
4.19 Modification de la structure du récepteur SC-FDMA . . . . . . . . 166
4.20 Structure Optimisée du récepteur SC-FDMA intégrant le filtrage ICI166
4.21 Courbe du Gain en fonction de nombre de sous-porteuses . . . . . 169
4.22 Représentation dans le domaine Transformé du canal : Doppler 0Hz 170
4.23 Représentation dans le domaine Transformé du canal : Doppler 70Hz170
4.24 Taux d’Erreur Symbole. . . . . . . . . . . . . . . . . . . . . . . . . 171
A.1 Porteuses fantômes et Chaine de transmission SC-FDMA . . . . . 187

Résumé
Le SC-FDMA « Single-Carrier Frequency Division Multiple Acces », est une tech-
nique d’accès multiple à répartition fréquentielle, permettant d’allouer efficace-
ment aux différents mobiles, les ressources de communication. Cette technique
a suscité un intérêt particulier lors des conventions de normalisation du stan-
dard 3GPP LTE « Long Term Evolution ». Le regain de considération pour cette
technique, est lié au fait qu’elle engendre des signaux temporels à faible variation
d’amplitude caractérisée par un faible PAPR ou « Peak to Average Power Ratio ».
Cet avantage majeur, rend possible l’utilisation de l’amplificateur de puissance
du système dans sa zone proche du point de compression, maximisant ainsi son
rendement sans toute fois risquer l’apparition des distorsions. C’est pourquoi, ce
système a été adopté dans la norme 3GPP LTE comme technique d’accès multiple
pour la voix montante.
Cependant, dans les spécifications du 3GPP LTE un symbole sur sept est systéma-
tiquement réservé pour l’estimation de canal sur toutes les porteuses du système
engendrant ainsi une réduction importante du débit utile du signal transmis. L’ob-
jectif de cette thèse est de proposer des techniques d’estimations et d’égalisations
de canal adaptées pour le SC-FDMA afin d’éviter tant que possible cette perte de
débit. Nous avons pu analyser, quelques techniques d’égalisation comme celle ba-
sée sur des références fantômes, mais également quelques techniques d’estimation
de canal comme celle basée sur un « Ajout de Signal »dans la bande passante du
signal utile.
Mots clés : SCFDMA, LTE, OFDMA, Equalization, Estimation, LMS
Abstract
The SC-FDMA « Single-Carrier Frequency Division Multiple Access », is a frequency-
division multiple access scheme, allowing efficient communication resources allo-
cation to multiple mobile terminals. This technique aroused particular interest
during the 3GPP LTE « Long Term Evolution »standard specifications. The re-
consideration of this technique is related to the low amplitude variation of the
generated temporal signal, which is characterized by a low PAPR « Peak to Ave-
rage Power Ratio ». This major advantage makes possible a use of power amplifier
system in the area near the compression point, thus maximizing performance avoi-
ding any distortions. Thus, this system was adopted in the new standard of 3GPP
LTE as multiple access scheme for uplink communication.
However, in the 3GPP LTE specifications, one symbol over seven is systematically
reserved for channel estimation on all sub-carriers that occurs to the system useful
throughput decreasing. The objective of this thesis is to propose some estimation
and equalization techniques adapted for SC-FDMA system to avoid as long as
possible the loss of the useful throughput. We have investigated, some equaliza-
tion techniques such as one based on ghosts references, but also some estimation
techniques as one based on « Added Signal »in the useful signal bandwidth.
Keywords : SCFDMA, LTE, OFDMA, Equalization, Estimation, LMS

FDMA

Transféré par

Droits d'auteur :

Formats disponibles

FDMA

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

FDMA

Transféré par

Droits d'auteur :

Formats disponibles

Etudes de nouvelles techniques d’estimation et

d’égalisation de canal adaptées au systéme SC-FDMA

To cite this version:

HAL Id: tel-00657895

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

THÈSE / UNIVERSITÉ DE RENNES 1

Yvon Sosthène YAMEOGO

Thèse soutenue à (lieu)

d’estimation et Geneviéve Baudoin

d’égalisation Christophe Laot

au systéme SC-FDMA Laurent Cariou

Remerciement à rajouter sur la version Finale du document.

1 Single Carrier FDMA 11

2 Etat de l’art sur l’égalisation des canaux de communication 47

4 Critères classiques d’Egalisation : Fonction de coût . . . . . . . . . . . . 59

3 Techniques d’égalisation de canal pour les systèmes SC-FDMA 87

4 Techniques d’estimation de canal pour les systèmes SC-FDMA 137

Mes Publications 181

A Technique d’Egalisation aveugle basée sur des porteuses fantômes 183

Table des figures 198

L’apparition de ce nouveau mode de communication, a suscité beaucoup d’intérêts

La première génération de systèmes de communication a été proposée dans les an-

Compte tenue des facteurs socio-économiques la demande du public en terme de

voix descendante et 50 Mbits sur la voix montante.

Ces deux technologies utilisent la technique de l’OFDMA (Orthogonal FDMA) pour

Le chapitre 2 revient sur l’état de l’art des techniques d’égalisation existantes de

communications, le principe de l’égalisation à travers les différentes étapes, les critères,

Les chapitres 3 et 4 constituent le fond de notre travail. Ils traitent respectivement

Single Carrier FDMA

Dans ce premier chapitre, nous exposons en détail le principe de fonctionnement de

Figure 1.1 – FDMA : Partage des ressources radio en fréquence.

Figure 1.2 – TDMA : Partage des ressources radio en temps.

Depuis la révolution du GSM, la numérisation des flux de communication s’est beau-

Canal N°4 Canal N°4

Temps N°1 Temps N°2

Figure 1.3 – FDMA-TDMA : Partage des ressources radio en temps et en féquence.

2.2 Systèmes mono-porteuses et systèmes multi-porteuses

Figure 1.5 – La modulation mono-porteuse

2.2.2 Systèmes multi-porteuses

2.2.3 Single Carrier FDE : SC/FDE

Figure 1.6 – La modulation muti-porteuses

2.3 Principe de fonctionnement du système SC-FDMA

2.3.1 Principe de la modulation SC-FDMA

La modulation SC-FDMA est une technique de transmission mono-porteuse mais

Figure 1.7 – Emetteur SC-FDMA

(a) Temps (b) Fréquence

Figure 1.8 – Filtre de mise en forme en Cosinus sur-élevé

Wcanal = N .Δf [Hz ] (1.3)

Soit {fn }0⩽n⩽N −1 l’ensemble des fréquences porteuses orthogonales modulable du

fn = fc + n.Δf , avec 0 ⩽ n ⩽ N − 1 (1.5)

2.3.2 Principe de la démodulation SC-FDMA

Où hnk (t) représente la fonction de transfert du canal de l’utilisateur k autour de

2.4 Allocation des ressources radio dans le système SC-FDMA

Figure 1.9 – Récepteur SC-FDMA

utilisateur. Deux modes d’allocations de ressources existent pour cette modulation : Il

2.4.1 Allocation de ressource en mode distribué

2.4.2 Allocation de ressource en mode localisé

(a) Terminal N ∘ 1 (b) Terminal N ∘ 2 (c) Terminal N ∘ 3

Figure 1.10 – Mapping I-FDMA