N° d’ordre : 003/IRC/TCO Année-universitaire : 2022/2023

UNIVERSITE D’ANTANANARIVO
----------------------
ECOLE SUPERIEURE POLYTECHNIQUE
----------------------
MENTION TELECOMMUNICATION
----------------------

MEMOIRE
en vue de l’obtention
du DIPLOME de Master

Titre : Ingénieur
Domaine : Sciences de l’Ingénieur
Mention : Télécommunication
Parcours : Ingénierie des Radiocommunications

par : SOLOANDRIANINA Antonio Fandresena

ANALYSES ET PERFORMANCES DES ALGORITHMES

ADAPTATIFS DE BEAMFORMING POUR LES ANTENNES
INTELLIGENTES

Soutenu le 14 Novembre 2023 devant la Commission d’Examen composée de :

Président :
M. RANDRIAMITANTSOA Andry Auguste
Examinateurs :
M. RAVONIMANANTSOA Ndaohialy Manda-Vỳ
M. RANDRIANA Erica
M. RAKOTONDRAMANANA Radiarisainana Sitraka
Directeur de mémoire :
M. ANDRIAMANALINA Ando Nirina
 REMERCIEMENTS

Tout d’abord, je rends grâce à Dieu pour sa bonté de m’avoir donné le temps, la force et la santé
dans la réalisation de ce mémoire.

Je tiens à exprimer mes vifs et sincères remerciements aux personnes suivantes, sans lesquelles
l'accomplissement de ce travail n'aurait pas été possible :
 Monsieur RAVELOMANANA Mamy Raoul, Professeur Titulaire, Président de l’Université
d’Antananarivo ;
 Monsieur RAKOTOSAONA Rijalalaina, Professeur, Responsable du Domaine Sciences de
l’Ingénieur de l’Ecole Supérieure Polytechnique ;
 Monsieur RAJAONARISON Tianandrasana Roméo, Maître de Conférences Habilité à Diriger
des Recherches, Responsable de la mention Télécommunication à l’ESPA ;

Messieurs les membres du jury :

 Monsieur RANDRIAMITANTSOA Andry Auguste, Professeur, pour l’honneur qu’il nous a

fait en présidant ce mémoire ;
 Monsieur RAVONIMANANTSOA Ndaohialy Manda-Vỳ, Professeur ;
 Monsieur RANDRIANA Erica, Docteur ;
 Monsieur RAKOTONDRAMANANA Radiarisainana Sitraka, Docteur ;
Enseignant au sein de la Mention Télécommunication, d’avoir accepté de faire partie des membres
du Jury ;

 Monsieur, ANDRIAMANALINA Ando Nirina, Maître de Conférences, qui a eu l’amabilité de

nous encadrer dans la réalisation de ce mémoire de fin d’études.

J’adresse aussi mes remerciements à tous les Enseignants de la mention Télécommunication, ainsi
que les membres du corps Administratif de l’Ecole Supérieure Polytechnique d’Antananarivo, qui
ont assuré notre formation.

J’exprime ma profonde gratitude à toute ma famille pour leur soutien tout au long de mes études. Je
les remercie pour leurs encouragements, leur confiance et leurs soutiens moraux.

i
 TABLE DES MATIERES

REMERCIEMENTS ...................................................................................................................................... i

TABLE DES MATIERES ............................................................................................................................ ii

NOTATIONS ET ABREVIATIONS ........................................................................................................... v

INTRODUCTION GENERALE.................................................................................................................. 1

CHAPITRE 1 GENERALITES ET PARAMETRES CARACTERISTIQUES DES ANTENNES ...... 2

1.1 Introduction ........................................................................................................................................................... 2

1.2 Notion de base ....................................................................................................................................................... 2

1.2.1 Principe des ondes électromagnétiques ......................................................................................................... 2

1.2.2 Principe d’antenne .......................................................................................................................................... 4

1.3 Caractéristiques d’une antenne ............................................................................................................................ 5

1.3.1 Fréquence ........................................................................................................................................................ 5

1.3.2 Densité de puissance ....................................................................................................................................... 5

1.3.3 Diagramme de rayonnement .......................................................................................................................... 6

1.3.4 Directivité ...................................................................................................................................................... 10

1.3.5 Gain ................................................................................................................................................................ 11

1.3.6 Rendement ..................................................................................................................................................... 12

1.3.7 Impédance...................................................................................................................................................... 12

1.3.8 Polarisation .................................................................................................................................................... 13

1.4 Différents types d’antennes ................................................................................................................................. 13

1.4.1 Isotrope .......................................................................................................................................................... 14

1.4.2 Monopôle ....................................................................................................................................................... 14

1.4.3 Dipôle ............................................................................................................................................................. 15

1.4.4 Hélice .............................................................................................................................................................. 17

1.4.5 Yagi ................................................................................................................................................................ 18

1.4.6 Cornet ............................................................................................................................................................ 19

1.4.7 Réflecteur ....................................................................................................................................................... 20

1.5 Systèmes d’antennes ............................................................................................................................................ 21

ii
 1.5.1 Systèmes sectorisés ........................................................................................................................................ 21

1.5.2 Systèmes de diversités ................................................................................................................................... 21

1.5.3 Systèmes MIMO ............................................................................................................................................ 22

1.5.4 Systèmes intelligents ..................................................................................................................................... 22

1.6 Conclusion ........................................................................................................................................................... 23

CHAPITRE 2 RESEAUX ANTENNAIRES ET FORMATION DE FAISCEAUX ............................. 24

2.1 Introduction ......................................................................................................................................................... 24

2.2 Antennes réseaux ................................................................................................................................................ 24

2.2.1 Principe .......................................................................................................................................................... 24

2.2.2 Réseau linéaire d’antennes ........................................................................................................................... 25

2.2.3 Réseau bidimensionnel d’antennes .............................................................................................................. 33

2.3 Antennes intelligentes ......................................................................................................................................... 35

2.3.1 Concept d’antenne intelligente .................................................................................................................... 35

2.3.2 Structure et fonctionnement d’une antenne intelligente ............................................................................ 37

2.3.3 Types d’antennes intelligentes ..................................................................................................................... 38

2.3.4 Avantages des antennes intelligentes ........................................................................................................... 40

2.4 Formation de faisceau ........................................................................................................................................ 41

2.4.1 Concept et principe du beamforming .......................................................................................................... 41

2.4.2 Types de formateur de faisceaux ................................................................................................................. 43

2.5 Conclusion ........................................................................................................................................................... 48

CHAPITRE 3 ALGORITHMES ET FILTRAGES ADAPTATIFS ...................................................... 49

3.1 Introduction ......................................................................................................................................................... 49

3.2 Types d’algorithmes de beamforming................................................................................................................. 49

3.2.1 Formation de faisceaux conventionnelle (FFC) .......................................................................................... 49

3.2.2 Formation de faisceaux adaptatifs (FFA) ................................................................................................... 50

3.3 Algorithmes adaptatifs de beamforming............................................................................................................. 53

3.3.1 Algorithmes adaptatifs non aveugles ........................................................................................................... 53

3.3.2 Algorithmes adaptatifs aveugles .................................................................................................................. 64

3.4 Tableau comparatif ............................................................................................................................................. 69

iii
 3.5 Conclusion ........................................................................................................................................................... 71

CHAPITRE 4 SIMULATION ET COMPARAISON DES DIFFERENTS ALGORITHMES ........... 72

4.1 Introduction ......................................................................................................................................................... 72

4.2 Présentation du logiciel MATLAB ..................................................................................................................... 72

4.2.1 Langage MATLAB ....................................................................................................................................... 73

4.2.2 Interface graphique ...................................................................................................................................... 74

4.3 Simulation et analyse des performances des algorithmes adaptatifs ................................................................. 74

4.3.1 Présentation du modèle de simulation ......................................................................................................... 75

4.3.2 Présentation de l’interface de simulation .................................................................................................... 75

4.3.3 Organigrammes de simulation ..................................................................................................................... 77

4.3.4 Résultats et analyses ..................................................................................................................................... 77

4.4 Tableaux comparatifs .......................................................................................................................................... 88

4.5 Conclusion ........................................................................................................................................................... 90

CONCLUSION GENERALE .................................................................................................................... 91

ANNEXE 1 FORMATEURS DE FAISCEAUX ANALOGIQUES ....................................................... 92

ANNEXE 2 EXTRAIT DU CODE SOURCE .......................................................................................... 96

BIBLIOGRAPHIES .................................................................................................................................. 101

RENSEIGNEMENTS ............................................................................................................................... 104

iv
 NOTATIONS ET ABREVIATIONS

1. Minuscules latines

𝑏(𝑡) Vecteur bruit additif

d Espacement entre les éléments

d(t) Signal désiré

e Erreur

k Nombre d’onde

r Résidu

𝑠(𝑡) Signal émis

w Poids complexe

2. Majuscules latines

A Amplitude des éléments

𝐴(θ) Matrice directionnelle

E Champ électrique

H Champ magnétique

𝐽(𝑤) Fonction de coût quadratique

K Taille de bloc

M Nombre d’antenne

3. Minuscules grecques

𝛾 Facteur d’oubli

𝛿 Déphasage entre les éléments

𝜆 Longueur d’onde

𝜃 Angle d’élévation

𝜇 Taille du pas

𝜑 Angle d’azimut

v
𝜔 Pulsation

4. Majuscules grecques

Δ Décalage

∇ Gradient

5. Notations spéciales

𝑥𝑇 Transposé de x

𝑥𝐻 Transposé hermitien de x

𝑅𝑥𝑥 Matrice de corrélation

𝑟𝑥𝑑 Vecteur d’intercorrélation

6. Abréviations

AF Array Factor

AWGN Additive White Gaussian Noise

AOA Angle of Arrival

BFN BeamForming Network

CGM Congugate Gradient Method

CMA Constant Modulus Algorithm

DOA Direction of Arrival

DMI Direct Matrix Inversion

FB Fractional Band

FRI Facteur de Réseau Isotrope

Hz Hertz

LCMV Linearly Constrained Minimum Variance

LMS Least Mean Square

LS-CMA Least-Squares Constant Modulus Algorithm

MATLAB MATrix LABoratory

vi
MSE Minimum Square Error

MVDR Minimum Variance Distortionless Response

RLS Recursive Least Square

SNR Signal-to-Noise Ratio

SLL Side Lobe Level

ULA Uniform Linear Array

UHF Ultra High Frequency

VHF Very High Frequency

vii
 INTRODUCTION GENERALE

Les antennes, en particulier les antennes de télécommunication, sont un élément essentiel des
technologies de communication sans fil. Sans elles, nous ne serions pas en mesure d’accéder à
Internet, de passer des appels téléphoniques, d’envoyer des messages texte ou même de regarder la
télévision.

Cependant, les applications modernes telles que les communications par satellite, les radars, la
navigation et la géolocalisation nécessitent à la fois une communication fiable, une portée étendue,
une couverture ciblée ou un suivi précis de cibles mobiles. Les antennes utilisées, plus sophistiquées,
doivent alors être directives et orientables pour prendre en charge ces usages spécifiques.

C’est dans ce contexte que les antennes intelligentes ont pris leur essor grâce à leurs capacités à
réduire le bruit, les interférences co-canal et les trajets multiples, mais également à suivre le signal
d’intérêt. Pour ce faire, les antennes intelligentes utilisent des algorithmes intelligents pour focaliser
et recevoir de l’énergie uniquement dans la direction d’arrivée désirée.

Ce travail de mémoire, intitulé « ANALYSES ET PERFORMANCES DES ALGORITHMES

ADAPTATIFS DE BEAMFORMING POUR LES ANTENNES INTELLIGENTES », vise à
contribuer à la compréhension, à l’étude et à l’analyse de ces algorithmes.

Pour décrire les performances d’une antenne intelligente, il est d’abord nécessaire de définir les
différentes caractéristiques des rayonnements, les paramètres et les types d’antennes, que nous
verrons dans le premier chapitre. Ensuite, dans le second chapitre, nous explorerons les technologies
de réseau antennaire et de formation de faisceau pour comprendre le concept d’antenne intelligente.
Puis, les algorithmes adaptatifs de beamforming utilisés dans ce type d’antenne seront approfondis
dans le troisième chapitre. Enfin, le dernier chapitre présentera une implémentation des algorithmes
sous le logiciel MATLAB, ainsi qu’une analyse de performance et une comparaison des résultats
obtenus.

1
 CHAPITRE 1
GENERALITES ET PARAMETRES CARACTERISTIQUES DES ANTENNES

1.1 Introduction

Les antennes sont des dispositifs utilisés pour rayonner ou capter des champs électromagnétiques
dans l’espace. Donc une antenne peut se voir comme un convertisseur d’ondes électromagnétiques
en émissions ou en réception, transformant l’énergie électrique d’un signal en énergie
électromagnétique et vice-versa.

On présentera dans ce chapitre les notions théoriques de bases nécessaires pour l’étude des antennes
et de ses caractéristiques de rayonnements. L’une des caractéristiques les plus importantes que nous
verrons est la propriété directionnelle de l’antenne, c’est à dire sa capacité à concentrer la puissance
rayonnée dans une certaine direction ou à recevoir de l’énergie d’une direction préférée [1].

1.2 Notion de base

1.2.1 Principe des ondes électromagnétiques

L’invention de l’antenne est souvent attribuée à plusieurs inventeurs et chercheurs qui ont contribué
à son développement au fil du temps. Au début les chercheurs se sont intéressés beaucoup aux
phénomènes électriques et magnétiques :

Ampère a remarqué qu’un courant électrique qui circule dans un fil conducteur dévie l’aiguille d’une
boussole placée à proximité. Michael Faraday a découvert qu’un courant électrique circule dans une
boucle de fil conducteur quand un aimant est approché ou éloigné de cette boucle. Ces idées ont
contribué à la formulation des célèbres équations, connues aujourd’hui sous le nom de « équations
de Maxwell », qui ont unifié les lois de l’électricité et du magnétisme.

Heinrich Rudolf Hertz utilisa pour la première fois, en 1889, des antennes pour démontrer
l’existence des ondes électromagnétiques prédites par cette théorie de Maxwell. James Clerk
Maxwell a en effet publié en 1873, sous une forme achevée, les quatre équations fondamentales
couplées qui permettent d’interpréter pratiquement tous les phénomènes rencontrés en
électromagnétisme [1] [2].

Loi de Maxwell-Faraday :

⃗
𝜕𝐵
⃗∇ ∧ ⃗E = −
𝜕𝑡

2
Où ⃗E et 𝐵
⃗ sont respectivement le champ électrique et magnétique.

Loi de Maxwell-Ampère :

𝜕𝐸⃗
⃗∇ ∧ ⃗B = 𝜇0 𝑗 + 𝜇0 𝜀0
𝜕𝑡

Où 𝜀0 et 𝜇0 sont respectivement la permittivité diélectrique et la perméabilité magnétique du

vide. 𝑗 est la densité volumique du courant.

Loi de Maxwell-Gauss :
𝜌
⃗∇. ⃗E =
𝜀0

Où 𝜌 est la densité volumique de charge électrique.

Loi de Maxwell-Thompson :

⃗∇. ⃗B = 0

Une onde électromagnétique comporte à la fois un champ électrique E et un champ magnétique H

oscillant à la même fréquence. La notion de champs désigne toute région de l’espace dans laquelle
se manifeste l’action de certaines forces : électriques dans le cas d’un champ électrique, magnétique
dans le cas d’un champ magnétique.

Nous considérons les champs électriques et magnétiques comme variant sinusoïdalement en

fonction du temps :

Figure 1.01 : Variation des champs E et H

L’onde électromagnétique n’a besoin d’aucun support pour se propager et elle se propage en ligne
droite dans un milieu homogène. Sa vitesse (𝑣) est égale à 𝑐 = 3. 108 m.𝑠−1 dans l’espace et dans

3
un milieu autre que l’espace, sa vitesse de propagation est donnée par la formule :
𝑐
𝑣=
𝑛

Avec n : indice de réfraction et c : célérité de la lumière.

Une onde électromagnétique est caractérisée par plusieurs grandeurs physiques comme la longueur
d’onde (λ), la période (T), et la fréquence (𝑓), etc.

La longueur d’onde exprime le caractère oscillatoire périodique de l’onde dans l’espace. C’est la
longueur d’un cycle d’une onde, la distance séparant deux crêtes successives. Elle est liée à la
fréquence de la porteuse par :
𝑐
λ=
𝑓

Le temps nécessaire pour que l’onde effectue un cycle est la période. La période est liée à la
fréquence de la porteuse par :
1
𝑇=
𝑓
La fréquence s’exprime en Hertz (Hz), ce qui équivaut à une oscillation par seconde et la période
s’exprime en seconde (s).

1.2.2 Principe d’antenne

[Link] Antenne d’émission

Pour l’antenne d’émission, l’antenne est utilisée exclusivement pour émettre. Afin d’assurer la
propagation dans l’air, il est nécessaire qu’un dispositif génère une onde rayonnée. Le rôle de
l’antenne d’émission est de transformer la puissance électromagnétique guidée, issue d’un
générateur en une puissance rayonnée. Dans ce sens c’est un transducteur [3].

Les antennes d’émission seule sont largement utilisées dans de nombreuses applications comme les
émetteurs terrestres ou satellisés, les antennes d’émission radars, etc.

[Link] Antenne de réception

Pour l’antenne de réception, de façon inverse, la puissance rayonnée peut être captée par l’antenne.
Dans ce sens, l’antenne apparaît comme un capteur et un transformateur de puissance rayonnée en
puissance électromagnétique guidée [3].

Les antennes de réception seule sont largement utilisées dans de nombreuses applications comme la

4
réception de signaux émis par les balises de navigation aérienne ou maritime ou encore dans les
antennes de radioastronomie.

[Link] Principe de réciprocité

Les antennes présentent une propriété connue sous le nom de réciprocité c’est-à-dire qu’une antenne
peut être utilisée en réception ou en émission avec les mêmes propriétés rayonnantes. En dit que son
fonctionnement est réciproque. Du fait de la réciprocité des antennes, il ne sera pratiquement jamais
fait de différence entre le rayonnement en émission ou en réception [1].

1.3 Caractéristiques d’une antenne

Toute antenne peut être caractérisée par plusieurs paramètres fondamentaux. Les principaux sont :
la fréquence, le diagramme de rayonnement, la directivité, le gain, la polarisation, l’impédance
d’antenne, le rendement [1].

1.3.1 Fréquence
Une antenne s’utilise en général avec des signaux autour d’une fréquence donnée pour laquelle
l’antenne possède des capacités optimales pour émettre ou recevoir l’énergie électromagnétique
correspondante dans l’espace environnant. La fréquence de résonance d’une antenne dépend
d’abord de ses dimensions propres, mais aussi des éléments qui lui sont ajoutés.

1.3.2 Densité de puissance

Considérons une source de rayonnement électromagnétique, rayonnant une onde électromagnétique
traversant un élément de surface 𝑑𝑠 de la Figure 1.02.

La densité de puissance par unité de surface au point M, distant de r par rapport à la source, est
définie par la relation suivante :

𝑃0
𝑃(𝑟, 𝜃, 𝜑) = [𝑊𝑎𝑡𝑡/𝑚2 ]
4𝜋𝑟 2

La puissance totale rayonnée par l’antenne est de 𝑃0 . La surface totale d’une sphère est de 4𝜋𝑟 2, et
une aire sur une sphère est définie en unités de stéradians avec 4π stéradians dans une sphère.

La densité de puissance par unité d’angle solide dΩ, qui est parfois appelée intensité de rayonnement
est alors donnée par :

𝑃0
𝑈(𝑟, 𝜃, 𝜑) = [𝑊𝑎𝑡𝑡/𝑠𝑡é𝑟𝑎𝑑𝑖𝑎𝑛]
4𝜋

5
 Figure 1.02 : Système de cordonnée de référence et notion d’angle

Avec ; θ ∶ angle d’élévation par rapport à l’horizontale (0° ≤ 𝜃 ≤ 90°) ; φ ∶ azimut par rapport à

l’axe des x (0° ≤ 𝜃 ≤ 360°) ; R : distance entre l’origine et le point d’observation.

L’angle solide élémentaire 𝑑Ω d’une antenne est exprimé par : 𝑑Ω = sinθdθdφ et par définition
𝑑𝑆
l’angle solide sous lequel est vue une surface dS est : 𝑑Ω = 𝑟2

1.3.3 Diagramme de rayonnement

Le diagramme de rayonnement d’une antenne est la distribution spatiale d’une grandeur qui
caractérise le champ électromagnétique rayonné par l’antenne [4]. Cette distribution peut être
exprimée sous forme d’une fonction F ou d’une représentation graphique qui représente la
distribution de l’énergie en fonction de la direction (angles 𝜃 et 𝜑) du signal émis ou reçu par
l’antenne. En raison de la réciprocité, qui garantit les mêmes caractéristiques d’émission et de
réception de l’antenne, le diagramme montre à la fois la puissance d’émission distribuée
directionnellement sous forme d’intensité de champ et la sensibilité d’une antenne lors de la
réception [5].

Le diagramme peut être obtenue soit à partir de la puissance par unité d’angle solide 𝑃(𝜃, 𝜑) soit à
partir du champ rayonné 𝐸(𝜃, 𝜑).

Le diagramme de rayonnement en puissance est défini par le rapport :

𝑃(𝜃, 𝜑)
𝑟(𝜃, 𝜑) =
𝑃(𝜃0 , 𝜑0 )

6
Le diagramme de rayonnement en champ ou en amplitude est, quant à elle déterminée par :

𝑟𝑐ℎ𝑎𝑚𝑝 (𝜃, 𝜑) = √𝑟(𝜃, 𝜑)

[Link] Lobe et zéro de rayonnement

Dans un diagramme, les directions dans lesquelles le rayonnement est égal à zéro, sont appelées
nuls et la région comprise entre deux nuls adjacents se désigne par lobe [4].

Selon la Figure 1.03, les parties d’un diagramme de rayonnement ou lobes peuvent se distinguer en
lobe principal, lobes secondaires, lobes latéraux et lobes arrière [6]. Le lobe situé dans la direction
du rayonnement maximal est appelé lobe principal (ou faisceau principal) et tous les autres lobes
sont appelés lobes latéraux ou secondaires. En particulier, le lobe de rayonnement qui forme un
angle d’environ 180° avec le faisceau principal est appelé lobe arrière.

Le lobe principal correspond à la direction privilégiée de rayonnement et pour certaines antennes, il

peut exister plus d’un lobe principal. Dans la plupart des cas, les lobes secondaires présentent un
rayonnement dans des directions indésirables, et ils devraient être réduits au minimum.

Figure 1.03 : Lobes de rayonnement et largeur de faisceau d’un diagramme de rayonnement

La largeur de faisceau est une mesure de la résolution angulaire des antennes. Le plus souvent,
l'ouverture de faisceau est définie par l'ouverture de faisceau à mi-puissance (HPBW pour Half
Power Beam Width) ou par l'espacement nul à nul du lobe principal (FNBW pour First Null Beam
Width) [7].

L’angle d’ouverture d’une antenne est l’angle de direction pour lequel la puissance rayonnée est la
moitié (-3dB) de la puissance rayonnée dans la direction la plus favorable. C’est donc une séparation
angulaire correspondant à une atténuation de 3dB sur le diagramme de rayonnement.

7
[Link] Représentation graphique
Il y a 2 systèmes de coordonnés courants pour représenter le diagramme de rayonnement. La
représentation en coordonnées polaires et la représentation en coordonnées cartésiennes [5].
L’objectif principal est d’afficher un diagramme de rayonnement représentatif soit horizontalement
(en azimut) pour une représentation complète de 360°, soit verticalement (en élévation). Les
diagrammes d’antennes en coordonnées polaires sont plus représentatifs de l'énergie rayonnant
spatialement vers l'extérieur de l'antenne [7].

Figure 1.04 : Diagramme de rayonnement (a) en polaire et (b) en cartésienne

Pour faciliter la manipulation, la transparence et la polyvalence, les diagrammes de rayonnement
sont généralement normalisés. Cela signifie que la valeur maximale mesurée est alignée sur 0 et
reportée sur le bord supérieur du diagramme. Les autres valeurs mesurées du diagramme de
rayonnement sont généralement affichées par rapport à cette valeur maximale en décibels.

Figure 1.05 : Diagramme de rayonnement normalisé en coordonnée cartésienne

8
La densité de puissance de rayonnement s’évalue à l’aide d’un mesureur de champ. La
représentation de la portée d’une antenne se fait à l’aide de son diagramme de rayonnement. Ce
diagramme de rayonnement est tridimensionnel (3D) et la plupart du temps, ils sont générés par des
programmes de simulation dont les valeurs sont proches d’un diagramme réel mesuré. Mais
généralement, les diagrammes de rayonnements évalués sont un segment bidimensionnel (2D) du
diagramme tridimensionnel, dans les plans perpendiculaire et parallèle.

Prenons l’exemple du dipôle, qui a un rayonnement maximum dans le plan normal au conducteur,
et minimum dans l’axe de l’antenne selon les Figures 1.06 et 1.07.

Figure 1.06 : Diagramme de rayonnement 2D d’une antenne dipôle

Figure 1.07 : Diagramme de rayonnement 3D d’une antenne dipôle

[Link] Régions du champ

On peut spécifier 4 régions différentes du champ électromagnétique produit par l’antenne [8]. La
délimitation de ces régions se fait comme suite :

La région 1 est la région de l’antenne proprement dite. La région 2 est la région des champs proches
𝑑3
réactifs, appelée aussi zone de Rayleigh. Elle est délimitée par une sphère de rayon 𝑅1 ≤ 0.62√ 𝜆

et elle représente la zone où l’énergie est stockée.

9
La région 3 est la région des champs proches radiatifs, appelée aussi zone de Fresnel. Cette région
2𝑑2
est délimitée par une distance radiale R telle que 𝑅1 ≤ 𝑅2 ≤ . Le diagramme de rayonnement de
𝜆

l’antenne dans cette région varie en fonction de la distance radiale.

La région 4 est la région des champs lointains, appelée aussi la zone de Fraunhofer, le diagramme
de rayonnement de l’antenne dans cette région est invariable avec la distance. C’est la région
2𝑑2
principale du fonctionnement de la plupart des antennes. Sa distance radiale est de 𝑅3 ≥ .
𝜆

Figure 1.08 : Zones de rayonnement de l’antenne

Les champs dans les régions de l’antenne et des champs proches ne sont pas rayonnés alors que les
champs dans les régions de Fresnel et de Fraunhofer sont rayonnés vers l’espace et on peut les
détecter.

1.3.4 Directivité
La directivité d’une antenne dans une direction donnée est par définition le rapport de son intensité
de rayonnement dans cette direction sur l’intensité de rayonnement d’une antenne de référence
émettant la même puissance. L’antenne de référence est généralement la source isotrope et la
directivité indique alors dans quelles directions la densité de puissance est meilleure ou moins bonne
que celle de l’antenne isotrope. La directivité est donnée par la relation suivante :

𝑃(𝜃, 𝜑) 4𝜋. 𝑃(𝜃, 𝜑)

𝐷(𝜃, 𝜑) = =
𝑃(𝜃, 𝜑)𝑖𝑠𝑜 𝑃𝑟
2𝜋 𝜋
Où la puissance totale rayonnée 𝑃𝑟 = ∫𝜑=0 ∫𝜃=0 𝑈(𝜃, 𝜑)𝑠𝑖𝑛𝜃𝑑𝜃𝑑𝜑

10
La directivité maximale est le paramètre le plus souvent utilisé, car elle caractérise la directivité
dans la direction du rayonnement maximum. Elle est définie par :

𝑃𝑚𝑎𝑥 (𝜃, 𝜑) 4𝜋. 𝑃𝑚𝑎𝑥 (𝜃, 𝜑)

𝐷0 (𝜃, 𝜑) = =
𝑃(𝜃, 𝜑)𝑖𝑠𝑜 𝑃𝑟

Si la source est isotrope, nous aurons :

𝐷0 (𝜃, 𝜑) = 𝐷𝑖𝑠𝑜 (𝜃, 𝜑) = 1 (𝑜𝑢 0 𝑑𝐵)

Pour toutes les antennes, la dimension constitue un paramètre fondamental pour déterminer la
directivité. Les antennes à directivité et à gain élevés seront toujours grandes par rapport à la
longueur d’onde. Une antenne directive permet d’éliminer ou d’atténuer les émissions indésirables
et les parasites qui viennent d’autres directions que celle de la direction souhaitée.

1.3.5 Gain
Le gain d’une antenne est le rapport entre la densité de puissance moyenne rayonnée par l’antenne
dans la direction (,) et la densité de puissance à rayonnement isotrope, les 2 antennes étant
alimentées par la même puissance.

Le gain est alors donné par :

𝑃(𝜃, 𝜑)
𝐺(𝜃, 𝜑) =
𝑃0

Où 𝑃(𝜃, 𝜑) et 𝑃𝑡 sont les densités de puissances rayonnées respectivement par l’antenne directive
et l’antenne isotrope.

Lorsqu’on parle de gain d’une antenne, on parle souvent de gain maximal.

2
𝐺𝑚𝑎𝑥 = 𝜋
∫0 𝑟(𝜃) sin(𝜃)𝑑𝜃

Le gain maximum de l’antenne exprimé en dB : 𝐺𝑎𝑖𝑛𝑑𝑏 = 10log10 (𝐺)

Ainsi d’après l’équation 1.17, le gain et le diagramme de rayonnement sont liés, on pourra
calculer le gain d’une antenne connaissant son diagramme de rayonnement. Pour avoir un gain
élevé, l’antenne doit avoir un diagramme de rayonnement directif et réciproquement.

Le gain d’une antenne est un paramètre très intéressant caractérisant les performances
radioélectriques d’une antenne. Il tient compte aussi bien des propriétés de directivité que du
rendement 𝜂 de cette antenne. Ce gain est donné par :

11
 𝐺(𝜃, 𝜑) = 𝜂𝐷(𝜃, 𝜑)

Dans la direction du rayonnement maximum la relation entre le gain et la directivité maximale est
exprimée sous la forme :

𝐺0 (𝜃, 𝜑) = 𝜂𝐷0 (𝜃, 𝜑)

Pour une antenne sans perte, ce qui ne peut exister que théoriquement, on a η = 1. Dans ce cas, le
gain se confond avec la directivité. En somme, la directivité est donc la valeur maximale du gain
lorsque les pertes sont nulles.

Comme l’antenne est passive, elle ne peut avoir un gain d’amplification de puissance. Son gain est
donc de directivité relative à l’antenne isotrope et est mesuré en décibel isotrope dBi. On trouve
aussi parfois le gain exprimé en dBd, lorsqu’une antenne dipôle est utilisée comme référence.

1.3.6 Rendement
La somme des puissances émises dans toutes les directions définit la puissance rayonnée d’une
antenne. Le rapport avec la puissance fournie par la ligne de transmission définit son rendement.

Ce rendement peut être exprimé par :

𝑃𝑟
𝜂=
𝑃𝑓

Une partie de la puissance fournie est perdue à l’intérieur de l’antenne, au niveau de ses résistances
ohmiques. Ces pertes définissent le rendement d’une antenne. Une antenne aura un bon rendement
si la résistance de pertes est faible devant la résistance de rayonnement. On parle de résistance de
rayonnement 𝑅𝑟 si l’énergie absorbée par la résistance est l’énergie rayonnée par l’antenne et on
parle de résistance de pertes 𝑅𝑝 si l’énergie absorbée par cette résistance est dissipée en chaleur par
l’antenne, par effet joule dans les résistances ou par pertes dans les diélectriques. Le rendement peut
aussi être exprimé par :

𝑅𝑟
𝜂=
𝑅𝑝 + 𝑅𝑟

1.3.7 Impédance
Le modèle électrique équivalent à une antenne est généralement un circuit RLC série, c’est-à-dire
un circuit passif et déphaseur de courant [9]. L’impédance d’entrée complexe de l’antenne s’écrit
sous la forme :

12
 𝑍(𝜔) = 𝑅(𝜔) + 𝑗𝑋(𝜔)
1
Avec 𝜔 = 2𝜋𝑓 : la pulsation, X = L 𝜔 − C 𝜔 : la réactance et 𝑅 = 𝑅𝑟 + 𝑅𝑝 : la résistance totale.

Figure 1.09 : Modèle électrique d’une antenne

1.3.8 Polarisation
La polarisation d’une antenne indique la direction de son champ électrique E (la direction de l’onde
qu’elle rayonne ou qu’elle reçoit) dans le champ lointain. Plus précisément, elle décrit la direction
dans laquelle l’intensité du champ est maximale. Il existe trois types de polarisation : linéaire,
circulaire et elliptique [6].

La polarisation est dite linéaire quand la direction du vecteur du champ électrique reste constante
au cours du temps, sa trajectoire est donc un segment de droite. Un exemple d’antenne polarisée
linéairement est le dipôle. A l’inverse, la polarisation est dite circulaire ou elliptique lorsque le
vecteur du champ E décrit respectivement un cercle ou une ellipse avec le temps.

Figure 1.10 : Les trois types de polarisation

La Figure 1.10 ci-dessus donne une représentation des différents types de polarisation. La
polarisation est caractérisée par la courbe décrite dans le temps et par l’extrémité du vecteur du
champ électrique. Elle est observée à partir de la direction de propagation z.

1.4 Différents types d’antennes

Il existe plusieurs types d'antennes, mais dans cette partie, nous ne citerons que quelques-unes des

13
principales antennes, en commençant par les moins directifs et en allant vers les plus directifs [10].

1.4.1 Isotrope
L’antenne isotrope est une référence théorique irréalisable, qui rayonne la même densité de
puissance dans toutes les directions. Une telle antenne n’a donc pas de direction de propagation
privilégiée et on dit qu’elle n’est pas directive. C’est une antenne fictive et elle ne sert que de
référence à l’évaluation du gain.

Figure 1.11 : Rayonnement d’une antenne isotrope

1.4.2 Monopôle
 Quart d’onde
L’antenne monopôle ne comportant qu’un seul brin rayonnant associé à un plan de masse est appelée
quart d’onde ou Marconi [8].

Comme son nom l’indique, l’antenne quart d’onde est constituée d’un élément de longueur égale au
quart de la longueur d’onde. Elle est presque toujours montée au-dessus d’une sorte de plan de
masse comme illustrée sur la figure :

Figure 1.12 : Antenne monopôle quart d’onde

Le plan de masse joue un rôle essentiel dans le fonctionnement de l’antenne quart d’onde, qui n’est

14
en réalité qu’une demi-antenne, omnidirectionnelle dans le plan horizontal. Le gain de l’antenne
quart d’onde reste entre 1,3 à 1,6 (1,14 à 2 dBi).

Pour le quart d’onde, le champ résultant est le même que celui créé par un dipôle : on dit que le plan
de sol crée une antenne image (virtuel) par effet miroir [8].

 Ground plane
Une antenne ground plane est une antenne un quart d’onde dont le plan de masse est astucieusement
remplacé par 3 ou 4 brins appelés « radiants » [8]. Son gain est identique à celui de l’antenne quart
d’onde.

Figure 1.13 : L’antenne ground plane et le diagramme associé

L’inclinaison des radiants vers le bas de 30 à 45° peut ramener l’impédance à R = 50 ohms.

1.4.3 Dipôle
Le dipôle est le type d’antenne le plus utilisé. Selon la longueur de l’antenne dipôle, on distingue
principalement le dipôle très court, le dipôle court et le dipôle demi-onde [11]. Le dipôle est utilisé
pour un grand nombre d’applications sur les bandes VHF et UHF.

 Dipôle très court

L’antenne dipôle très courte appelée aussi doublet de Hertz est formée par un fil rectiligne de
longueur L très inférieur à la longueur d’onde (L < < 𝜆) parallèle à l’axe (Oz) et parcourue par le
courant 𝐼0 . Connecté à une source d’excitation, on considère que l’amplitude du courant est
constante sur toute la longueur de l’antenne. On l’appelle dipôle ou doublet, car des charges de signe
opposé sont stockées à chaque extrémité.

15
 Figure 1.14 : Antenne doublets de Hertz

 Dipôle court
Dans le cas où la longueur du dipôle L est définie telle que 𝜆/50 < 𝐿 < λ/10, on doit admettre
une répartition de courant le long de l’antenne de forme triangulaire. Les principales caractéristiques
de ce type de dipôle sont : une directivité 𝐷(𝜃) = 1.5 𝑠𝑖𝑛2 (𝜃) avec un diagramme de rayonnement
similaire à celui du doublet.

 Dipôle demi-onde
Le dipôle demi-onde est l’antenne résonante la plus utilisée pour les télécommunications modernes.
La répartition de la valeur efficace du courant pour ce type d’antenne est supposée sinusoïdale.

Figure 1.15 : Antenne demi-onde

Une antenne dipôle ou dipôle demi-onde, est faite de deux tiges, brins conducteurs, ou tubes ayant
chacune une longueur égale à 1/4 de la longueur d’onde de la fréquence émise.

16
  Dipôle replié
Le dipôle est souvent utilisé sous une forme un peu différente appelée dipôle replié ou trombone
pour améliorer sa bande passante [8].

Figure 1.16 : Antenne dipôle replié

Le diagramme de rayonnement dipôle replié est identique au dipôle, mais sa résistance est 4 fois
supérieure à celle du dipôle (environ 300 Ω).

Figure 1.17 : L’antenne dipôle et son diagramme de rayonnement

1.4.4 Hélice
Une antenne hélicoïdale est un cas particulier d’antenne monopole, enroulée en forme d’hélice. Elle
a deux principaux modes de fonctionnement qui sont le mode normal et le mode axial [12]. La
gamme de fréquences de fonctionnements de l’antenne hélicoïdale est comprise entre 30 MHz et 3
GHz. Cette antenne fonctionne dans les gammes VHF et UHF.

[Link] Antenne hélice radiale

C’est une hélice dont le diamètre est plus petit que la longueur d’onde, ce qui favorise le
rayonnement dans le plan perpendiculaire à l’axe de l’antenne. Son diagramme de rayonnement est
semblable à celui d’une antenne demi-onde et son gain est d’environ -3dB.

[Link] Antenne hélice axiale

L’hélice axiale est utilisée lorsqu’un gain important et une polarisation circulaire sont exigés. Elle
rayonne dans la direction de son axe avec une polarisation circulaire. Le rayonnement est maximal

17
dans l’axe de l’hélice lorsque le diamètre est sensiblement égal à la longueur d’onde. Et pour un
diamètre et un pas d’enroulement donné, c’est le nombre de tour qui permet d’augmenter la
directivité de l’hélice.

Figure 1.18 : Antenne hélice en mode de rayonnement axiale

La Figure 1.19 montre le diagramme polaire des diagrammes de rayonnement 2D, dans le plan yz,
des deux modes de fonctionnement [12]. On peut voir un diagramme de plan E classique d’une
antenne dipôle en mode normal (bleu) et un diagramme de rayonnement directionnel en mode axial
(vert).

Figure 1.19 : Diagramme de rayonnement d’une antenne hélice avec le mode normal et le mode
axial.

1.4.5 Yagi
L’antenne Yagi (ou Yagi-Uda), proposée pour la première fois par Shintaro Uda et Hidetsudu Yagi,
est la plus connue du grand public. Elle a été développée pour les courtes longueurs d’onde allant
jusqu’à la bande UHF. L’antenne Yagi est une variante d’un réseau linéaire comportant un élément
alimenté (ou driven element), d’un élément réflecteur et d’un ou plusieurs éléments directeurs.

Elle est très répandue à cause de sa simplicité et de son fort gain directionnel. Son gain et sa

18
directivité dépendent du nombre d’éléments, donc de sa longueur. On pourrait alors imaginer que
pour augmenter le gain avant de l’antenne, il suffit d’ajouter des éléments directeurs. Cette pratique
pose de toutefois ses limites, car la longueur élevée de l’antenne peut présenter des problèmes de
réalisation. De plus le gain n’est pas proportionnel au nombre d’éléments et plafonne assez
rapidement.

Figure 1.20 : L’antenne Yagi et son diagramme de rayonnement

L’antenne Yagi est présentée sur la Figure 1.20 où le dipôle est utilisé en association avec des brins
purement passifs (réflecteur et directeurs) pour rendre le diagramme plus directif. La directivité de
l’antenne yagi est en étroite relation avec son gain. Une yagi 7 éléments avec un gain de 12dBi a un
angle d’ouverture en polarisation horizontale de l’ordre de 40 degrés à -3dB.

1.4.6 Cornet
Les antennes cornets sont alimentées par un guide métallique, soit rectangulaire, soit circulaire, soit
elliptique et elles font partie des antennes à ouverture. Ainsi, c’est la terminaison naturelle d’un
guide d’onde, ligne idéale en hyperfréquence en raison de ses propriétés [13]. Du fait de leurs
constitutions métalliques, elles présentent peu de pertes. Du fait de leurs formes, elles sont très
directives. En pratique, le gain optimal d’un cornet est de l’ordre de 20 dBi.

Figure 1.21 : Schéma de principe d’un guide d’onde

Le principe même du guide d’onde est de rendre une antenne quart d’onde plus directive en la

19
plaçant dans une portion de guide d’onde comme illustré sur la Figure 1.21.

Suivant la forme du cornet, il est possible d’obtenir un diagramme de rayonnement fin soit dans le
plan E, soit dans le plan H, soit les deux.

Figure 1.22 : Antenne cornet rectangulaire et son diagramme de rayonnement

1.4.7 Réflecteur
La directivité et le gain du cornet peuvent encore être améliorés en l’associant à un réflecteur
parabolique. L’antenne qui en résulte, appelée ordinairement parabole, est une des meilleures
antennes directives et donc très utilisées au-delà de 1 GHz.

Une antenne à réflecteur ou antenne parabolique est constituée d’une source rayonnante qui est en
général une antenne dipôle ou cornet, placé au foyer d’un réflecteur parabolique qui assure la
concentration des ondes reçues ou émises. De plus, la forme du réflecteur joue sur la directivité du
dipôle alors que sa position joue sur l’impédance du dipôle [8].

Les antennes paraboliques se caractérisent par une directivité très forte avec un gain typique variant
de 10 à 60dB. Le gain de l’antenne parabolique augmente avec son diamètre suivant la formule 𝐺 =
𝐷 2 𝜆
6 ( 𝜆 ) ; l’angle d’ouverture diminue si le gain augmente suivant 𝜃 = 70 𝐷.

Figure 1.23 : L’antenne parabole et son diagramme de rayonnement

20
1.5 Systèmes d’antennes

Grâce au développement des techniques de traitement de signal, des architectures et des techniques
d'antennes ont été conçues pour surpasser les performances des antennes classiques. Il s'agit des
systèmes d'antennes multiples qui offrent une amélioration de la capacité, de la qualité de
transmission et du rapport signal sur bruit plus interférence (SNIR). Globalement, on distingue trois
catégories de systèmes d'antennes : les systèmes sectorisés, les systèmes de diversité et les systèmes
intelligents [14].

Figure 1.24 : Différentes stratégies de transmission

1.5.1 Systèmes sectorisés

Les systèmes sectorisés ou antennes sectorielles utilisent une antenne simple pour avoir certaines
directions préférentielles fixes de transmission et de réception. Cette approche consiste à découper
la cellule en secteurs, par exemple en trois macro-secteurs de 120 degrés, couverts en utilisant des
antennes directionnelles placées dans la même cellule. Ce système permet d’augmenter la possibilité
de la réutilisation des canaux de fréquence en réduisant les interférences potentielles dans la cellule
originale (ensemble de secteurs).

Chaque secteur est alors traité comme une cellule différente dont la couverture est plus importante
que celle du cas omnidirectionnel, car l’énergie peut être focalisée sur une région limitée.

1.5.2 Systèmes de diversités

Les systèmes de diversité spatiale incorporent, au niveau de la station de base, des éléments
d’antennes relativement proches séparés de quelques longueurs d’onde. En effet, ces antennes
doivent être suffisamment espacées pour avoir des évanouissements (fadings en anglais)
indépendants. Le principe de la diversité consiste à engendrer plusieurs répliques du signal qui

21
seront transmis et/ou reçus par différents canaux à évanouissements indépendants [15].

Ces systèmes sont utiles dans des environnements où l’évanouissement est le facteur dominant de
la dégradation du signal. Même si ces systèmes permettent d’obtenir un gain de diversité, le
problème des interférences est par contre non résolu.

1.5.3 Systèmes MIMO

MIMO pour Multiple Input Multiple Output (entrées multiples, sorties multiples en français) est une
technologie qui permet la transmission parallèle et simultanée de données sur la même fréquence
grâce à l’utilisation de plusieurs antennes en émission et en réception [16].

La Figure 1.25 montre un exemple de système MIMO multiantennes en émission et en réception

avec les différents trajets entre les antennes.

Figure 1.25 : Schéma de principe du système MIMO

Le principe de base du système MIMO consiste donc à combiner les signaux judicieusement tant à
l’émission qu’à la réception pour exploiter la diversité spatiale et donc de réduire les effets
d’évanouissements ou pour augmenter le débit.

1.5.4 Systèmes intelligents

Les systèmes d’antennes intelligents se basent sur l’utilisation des réseaux d’antennes. Le principe
des systèmes intelligents est d’accompagner continuellement un utilisateur mobile en adaptant
dynamiquement le diagramme de rayonnement à son mouvement.

En déterminant la position des utilisateurs et des signaux parasites (interférences), ces systèmes
peuvent concentrer la puissance uniquement dans les directions utiles. Une présentation plus
détaillée de ces systèmes est fournie dans le chapitre suivant.

22
1.6 Conclusion

Nous venons de voir dans ce chapitre les généralités sur les antennes. Nous avons présenté les
différentes antennes les plus courantes ainsi que leurs paramètres les plus importants. On a pu
constater que la taille et la forme d'une antenne déterminent son diagramme de rayonnement, c’est-
à-dire la forme du champ électromagnétique qu'elle produit. Le changement apporté par la
modification de ces paramètres a permis une amélioration significative du gain de directivité tout
en posant certaines limites. Dans le chapitre suivant, nous allons aborder l'effet de réseau et
examiner les changements apportées au niveau du diagramme de rayonnement.

23
 CHAPITRE 2
RESEAUX ANTENNAIRES ET FORMATION DE FAISCEAUX

2.1 Introduction

Dans plusieurs applications, il est essentiel de concevoir des antennes avec des caractéristiques très
directives pour satisfaire certaines contraintes. Il existe plusieurs possibilités pour obtenir une
antenne directive, donc une antenne à forte gain dans une direction donnée. Une des solutions
consiste à augmenter la taille des antennes, mais cela ne reste possible que dans la mesure du
réalisable. Une autre manière efficace est de créer un ensemble d’éléments rayonnant dans une
configuration géométrique bien définie. C’est ainsi que le concept de réseaux antennaires a été
présenté pour la première fois dans les années 40.

Le réseau a également permis au système d’antennes d’être électroniquement orienté ; pour

transmettre et recevoir l’information dans une direction particulière sans déplacer ou modifier
mécaniquement la structure. Ainsi les antennes réseaux ont permis de pointer le lobe principal dans
différentes directions grâce à un balayage électronique du système.

Dans ce chapitre, nous allons explorer en détail la technologie des réseaux d'antennes, comprendre
le concept des antennes intelligentes, et enfin expliquer les techniques de formation de faisceau
utilisées dans ces types d'antennes.

2.2 Antennes réseaux

2.2.1 Principe
Un réseau d’antennes est défini comme l’association régulière d’antennes identiques pour créer un
rayonnement de forme particulière. Le champ total du réseau est déterminé par l’addition en phase
des champs rayonnés par les différents éléments. Les applications des réseaux d’antennes sont
nombreuses (systèmes radars, sonar, satellites, etc.) et utilisent tout type d’éléments (antennes
dipôles, patches, cornets, etc.)

Un dispositif d’alimentation, appelé en français « réseau d’alimentation des sources » et en anglais

« beamforming network ou (BFN) » permet de commander les amplitudes et/ou les phases des
sources, afin de former des diagrammes de rayonnement dans les directions souhaitées. En effet,
pour fournir des diagrammes de rayonnement directifs, le principe se base d’une part sur une
interférence constructive entre les ondes électromagnétiques rayonnées par les éléments du réseau
dans la direction désirée et d’autre part sur une interférence destructive des ondes dans l’espace

24
restant.

La figure suivante illustre le principe de l’association de plusieurs éléments rayonnants qu’on

appelle « réseau d’antenne ».

Figure 2.01 : Schéma de principe d’un réseau d’antennes

La disposition des antennes élémentaires dans l’espace peut prendre diverses formes. Selon la
disposition des sources, il existe plusieurs variantes de réseaux [4] : réseaux réguliers ou irréguliers,
linéaires, circulaires, surfaciques ou planaire, volumique. Nous allons voir par la suite quelques
géométries de réseaux et voir comment la répartition des sources dans l’espace peut influencer le
comportement du réseau.

2.2.2 Réseau linéaire d’antennes

Un réseau linéaire comporte M éléments d’antennes placés le long d’un axe du système des
coordonnées locales. On distingue les réseaux linéaires uniformes si l’espacement entre deux
éléments successifs du réseau est constant et des réseaux linéaires non uniformes si l’espacement
est différent entre les éléments du réseau. Cet espacement entre les éléments est appelé aussi « pas »
ou encore distance inter-éléments.

Pour le réseau linéaire de la Figure 2.02 suivante, le réseau est uniforme avec un espacement « d »
entre les éléments. Le premier élément, situé à l’origine des coordonnées, est pris comme référence
de phase et on suppose que le déphasage entre deux éléments adjacents est de « 𝛿 ».

25
 Figure 2.02 : Réseau linéaire à M éléments

[Link] Facteur de réseau et diagramme de rayonnement

Le diagramme de rayonnement d’un réseau d’antennes est par définition la représentation de son
rayonnement électromagnétique dans toutes les directions de l’espace. Il correspond au produit d’un
facteur décrivant le gain du réseau d’antennes dans une direction, appelée facteur de réseau (AF :
Array Factor), et leur rayonnement propre [18].

Le facteur de réseau isotrope est défini par l’expression du champ électrique total rayonné par un
réseau d’antennes isotropes.

𝐴𝐹 = 𝐸1 + 𝐸2 + ⋯ + 𝐸𝑀 (2.01)

𝐸𝑖 est le champ rayonné par l’élément i (i=1, 2, …, M)

Le facteur de réseau (Array Factor en anglais) du réseau linéaire est alors défini par :

𝐴𝐹 = 𝐴1 + 𝐴2 𝑒 𝑗(𝑘𝑑 sin(𝜃)+𝛿) + ⋯ + 𝐴M 𝑒 𝑗(𝑀−1)(𝑘𝑑 sin(𝜃)+𝛿) (2.02)

2𝜋
Où Ai est l’amplitude de l’élément i, k est le nombre d’onde tel que k = , d est le distance inter-
𝜆

éléments, 𝜃 est l’angle d’incidence par lequel l’onde arrive et 𝛿 est le déphasage entre antennes.
Posons : ψ = 𝑘𝑑 sin(𝜃) + 𝛿 mais il convient de noter que si le réseau est aligné le long de l’axe z,
𝜓 = 𝑘𝑑 cos(𝜃) + 𝛿 [19].

𝐴𝐹 = 𝐴1 + 𝐴2 𝑒 𝑗𝜓 + ⋯ + 𝐴M 𝑒 𝑗(𝑀−1)𝜓 (2.03)

26
 𝑀

𝐴𝐹 = ∑ 𝐴i 𝑒 𝑗(𝑖−1)𝜓 (2.04)
𝑖=1

Pour simplifier, considérons que les éléments uniformément espacés ont les mêmes amplitudes A
et multiplions l’équation 2.03 par 𝑒 𝑗𝜓 :

𝑒 𝑗𝜓 𝐴𝐹 = A𝑒 𝑗𝜓 + A𝑒 𝑗2𝜓 + ⋯ + 𝐴𝑒 𝑗𝑀𝜓 (2.05)

Et en soustrayant l’équation 2.05 par 2.03, avec A=A1=…=1 :

(𝑒 𝑗𝜓 − 1)𝐴𝐹 = 𝑒 𝑗𝑀𝜓 − 1 (2.06)

𝑀 𝑀 𝑀
𝑒 𝑗 2 𝜓 (𝑒 𝑗 2 𝜓 − 𝑒 −𝑗 2 𝜓 ) 𝑀
𝑒 −1𝑗𝑀𝜓 (𝑀−1) 𝑠𝑖𝑛 ( 2 𝜓) (2.07)
𝑗 𝜓
𝐴𝐹 = 𝑗𝜓 = =𝑒 2
𝑒 −1 𝜓 𝜓 𝜓 𝜓
𝑒 𝑗 2 (𝑒 𝑗 2 − 𝑒 −𝑗 2 ) 𝑠𝑖𝑛 ( 2 )

(𝑀−1)
(𝑀−1)𝑑
Le terme 𝑒 𝑗 2
𝜓
s’ajoute au fait que le centre physique du réseau est localisé à . Ce centre
2
(𝑀−1)𝜓
produit un déphasage de dans le facteur du réseau. Cependant, si le réseau d’antennes est
2

centré physiquement à l’origine, l’équation 2.07 peut être simplifié comme suite [19]:

𝑀
𝑠𝑖𝑛 ( 2 𝜓)
𝐴𝐹 = (2.08)
𝜓
𝑠𝑖𝑛 ( 2 )

Ainsi on remarque que le facteur réseau prend sa valeur maximale dans la direction verticale 𝛳=0°
avec une amplitude A=1 et un déphasage nul 𝛿=0 de l’équation (2.04) ou encore pour l’argument
𝝍=0 de l’équation (2.08). Le gain total du réseau est alors en fonction du nombre d’éléments utilisé
M. On trouve par exemple qu’en doublant le nombre d’antennes, on double également la quantité
d’énergie rayonnée dans la direction choisie et on appelle ce gain : le gain de beamforming [18].

Figure 2.03 : Facteur réseau isotrope pour M=1, 2, 4 et 8 éléments d’antenne.

27
Ainsi plus le nombre d’antennes M est important, plus le champ électrique est grand dans la
direction du lobe principal. Ainsi, le gain augmente dans cette direction lorsque M augmente, c’est
pourquoi l’angle d’ouverture diminue.

Le plus souvent, le diagramme de rayonnement du réseau est tracé en décibels puisqu’il s’agit d’une
puissance :

𝐴𝐹𝑑𝐵 = 10log(AF) (2.09)

La largeur du lobe principal est la différence entre les deux angles trouvés en résolvant l’équation :

𝐿𝑑𝐵 = 𝐴𝐹𝑑𝐵 − 3𝑑𝐵 (2.10)

Afin de normaliser AF de sorte que la valeur maximale soit égale à l’unité, l’expression 2.08 peut
être diviser par sa valeur maximale qui est la valeur M. Le facteur de réseau normalisé peut alors
s’écrire :

𝑀 (2.11)
1 𝑠𝑖𝑛 ( 2 𝜓)
𝐴𝐹𝑛 =
𝑀 𝑠𝑖𝑛 (𝜓)
2
En généralisant pour une antenne réseau quelconque, où les éléments ne sont pas des antennes
isotropes, le facteur réseau peut être obtenu par la relation :

𝐴𝐹 = 𝐴𝐹𝑖𝑠𝑜𝑡𝑟𝑜𝑝𝑒 ∗ 𝐸é𝑙é𝑚𝑒𝑛𝑡 (2.12)

Figure 2.04 : Diagramme de rayonnement résultant pour une antenne réseau quelconque

Ainsi grâce au facteur de réseau isotrope (FRI), on peut déterminer le diagramme de rayonnement
du réseau à partir du diagramme de rayonnement d’une antenne élémentaire. D’ailleurs, ce dernier
n’est pas le seul paramètre qui influe sur la caractéristique de rayonnement du réseau. Des
paramètres tels que l’espacement entre les éléments, l’amplitude et le déphasage des excitations fait
également varier le comportement du réseau [19] [20] [21].

28
[Link] Effet d’espacement
L’espacement « d » entre les éléments d’antenne d’un réseau est un facteur très important, car il agit
directement sur les interférences constructives et destructives dans les champs lointains de l’antenne
et par conséquent sur le diagramme de rayonnement total. En effet, la résolution du lobe principale
augmente avec la distance d, cependant la multiplication de lobe secondaire apparait [20].

Pour un réseau d’antennes linéaire isotrope de M=4 éléments ayant des amplitudes Ai=1 et de
déphasage 𝛿=0, la Figure 2.05 illustre le facteur de réseau dans le cas où la distance inter-éléments
d prend les valeurs : λ\4, λ\2, 3λ\4 et λ. Nous pouvons observer progressivement la déformation du
diagramme de rayonnement global lorsque l’on écarte les éléments d’antennes.

Figure 2.05 : Effet de l’espacement entre les éléments d’un réseau isotrope à 4 éléments

Dans le cas de l’élément de Figure 2.05 (a), le gain du réseau est le moindre, car il n’y a que 2 lobes
principaux et aucun lobe secondaire. Il en est de même pour l’élément de Figure 2.05 (d), car la
majeure partie de l’énergie est rayonnée dans le lobe secondaire. Les Figure 2.05 (b) et (c) offrent
donc un bon compromis d’où plus exactement, l’espacement λ\2 entre les éléments d’antennes dans
la plupart des applications des réseaux linéaires.

[Link] Effet de déphasage

On choisit généralement un déphasage progressif constant entre les éléments d’un réseau
d’antennes. En le faisant varier progressivement, on arrive à faire un balayage azimutal du lobe
principal du diagramme de rayonnement. En effet, en contrôlant le déphasage entre les éléments
d’antennes du réseau, il est possible de contrôler et de réajuster l'orientation du faisceau produit par
le réseau d'antennes.

Voici un exemple de diagramme de rayonnement d’un réseau d’antennes de M=4 éléments isotropes
et d’espacement d=λ/2 pour les valeurs de déphasage 𝛿 = 0, π/4, π/2 et π :

29
 Figure 2.06 : Effet du déphasage entre les éléments d’un réseau isotrope à 4 éléments

Pour l’orientation du lobe principal vers un utilisateur situé dans une direction 𝜃0 donnée, il suffit
de maximiser le facteur de réseau dans cette direction, soit :

𝑘𝑑 sin(𝜃0 ) + 𝛿0 = 0 (2.02)

𝛿0 = −𝑘𝑑 sin(𝜃0 ) (2.03)

La Figure 2.07 illustre à titre d’exemple le rayonnement résultant d’un réseau linéaire à 4 éléments
équidistants de d= λ\2 avec un déphasage 𝛿𝑢 = −1.32 radian nécessaire pour pointer le lobe
principal vers la direction 𝜃𝑢 = 25°.

Figure 2.07 : Lobe principal d’un réseau à 4 éléments orienté vers 25°

[Link] Effet d’amplitude

Il existe plusieurs distributions d’amplitude possibles telles que l’uniforme, binomiale et
Tschebyscheff. Dans la plupart des cas, on prend une distribution uniforme, car il donne le gain le
plus important quoique, pour un réseau donné, la distribution uniforme multiplie les lobes
secondaires. A l’opposé, la distribution binomiale permet d’atténuer les lobes latéraux contre un
gain de réseau minimal. La distribution de Tschebyscheff offre un bon compromis entre les deux

30
distributions précédentes, car elle permet d’obtenir le maximum de gain pour un niveau de lobes
secondaires imposé. L’idée est que pour un niveau d’atténuation SLL (Side Lobe Level) donnée, on
peut former un réseau avec un lobe plus étroit, et vice versa [22].

a. Distribution uniforme

Considérons un réseau d’antennes de distribution uniforme (A=1), le facteur de réseau est donné
par l’équation :

𝐴𝐹 = 1 + 𝑒 𝑗𝜓 + 𝑒 𝑗2𝜓 + ⋯ + 𝑒 𝑗(𝑀−1)𝜓 (2.01)

b. Distribution binomiale

Dans le cas de distribution binomiale avec réseau de M éléments, le facteur de réseau avec des
excitations de coefficient non uniforme est donné par [22] :
𝑀−1 (2.01)
𝐴𝐹 = (1 + 𝑒 𝑗𝜓 )

(𝑀 − 1)(𝑀 − 2) 𝑗2𝜓
𝐴𝐹 = 1 + (𝑀 − 1)𝑒 𝑗𝜓 + 𝑒 (2.02)
2!
(𝑀 − 1)(𝑀 − 2)(𝑀 − 3) 𝑗3𝜓
+ 𝑒 +⋯
3!

Les amplitudes de la distribution binomiale sont obtenues directement du triangle de Pascal selon
le nombre d’éléments rayonnants :

Figure 2.08 : Triangle de Pascal

c. Distribution de Tschebyscheff

Les amplitudes relatives pour une distribution de Tschebyscheff sont obtenues en se basant sur les
propriétés des polynômes de Tschebyscheff (méthode de Dolph-Tschebyscheff, qu’on épèle
Tchebyscheff ou Chebyshev).

Dans ce type de distribution, le facteur de réseau de P éléments peut être exprimé par [22] :

31
 𝑀

𝐴𝐹 = ∑ 𝑎𝑖 cos[(2𝑖 − 1)𝑢] , 𝑝𝑜𝑢𝑟 𝑃 = 2𝑀 (2.01)

𝑖=1

𝑀+1

𝐴𝐹 = ∑ 𝑎𝑖 cos[2(𝑖 − 1)𝑢] , 𝑝𝑜𝑢𝑟 𝑃 = 2𝑀 + 1

𝑖=1

où u = (𝜋𝑑/𝜆)cos(θ)

La Figure 2.09 montre quelques exemples de distributions d’amplitude. Les distributions uniforme
et binomiale sont illustrées dans les Figure 2.09 (a) et (b), tandis que les Figure 2.09 (c) et (d)
illustrent le cas de la distribution de Tschebysheff correspondant à des niveaux d’atténuation SLL
de 20 et 30 dB respectivement.

Figure 2.09 : Quelques exemples de distributions d’amplitude.

La Figure 2.10 suivante représente une comparaison des trois types de distributions pour un réseau
de quatre éléments équidistants avec un déphasage inter-éléments nul.

Figure 2.10 : Effet d’amplitude entre les éléments d’un réseau isotrope à 4 éléments

32
D’après les exemples précédents, on a vu que les réseaux linéaires permettent de faire un balayage
d’espace azimutal. Cependant, pour les réseaux d’antennes dits bidimensionnels, les éléments
rayonnants sont repartis en deux dimensions ce qui permet de faire un balayage en azimut et en
élévation.

2.2.3 Réseau bidimensionnel d’antennes

[Link] Réseau circulaire

Un réseau circulaire est un réseau où les éléments rayonnants sont répartis sur le périmètre d’un
cercle et avec des espacements égaux. Le plan où l’analyse de réseau se limite est le plan horizontal,
il est caractérisé par les coordonnées polaires (θ, φ) [21].

Figure 2.11 : Réseau circulaire à M éléments

Puisque le pas entre les éléments est constant, l’angle de chaque élément dans le plan horizontal est
donné par :

(𝑖 − 1) (2.02)
𝜑𝑖 = 2𝜋 , 𝑖 = 1, 2, … , 𝑀
𝑀

En reprenant le centre du réseau comme origine de phase, le facteur de réseau est donné par :
𝑀 (2.03)
−𝑗(𝑘𝑎𝑠𝑖𝑛𝜃 cos(𝜑−𝜑𝑖 )+𝛿𝑖 )
𝐴𝐹 = ∑ 𝐴𝑖 𝑒
𝑖=0

Pour orienter le lobe principal du réseau circulaire vers un angle (𝜃0 , 𝜑0 ), il suffit de choisir le
déphasage de l’élément i comme :

33
 𝛿𝑖 = −𝑘𝑎𝑠𝑖𝑛(𝜃0 ) cos(𝜑0 −𝜑𝑖 ) (2.04)

[Link] Réseau rectangulaire

Un réseau planaire ou surfacique est un arrangement d’antennes dans un plan. Le réseau planaire de
forme rectangulaire peut être considéré comme une généralisation de réseau linéaire. En effet, il est
constitué de N réseaux linéaires à M éléments comme illustrés sur la Figure 2.12. Il est à noter que
le pas de réseau peut être différent selon l’axe.

Figure 2.12 : Réseau rectangulaire à MxN éléments

Selon l’axe des x, le facteur de réseau s’écrit :

𝑀

𝐴𝐹𝑥 = ∑ 𝐴𝑥𝑚 𝑒 𝑗(𝑚−1)(𝑘𝑑𝑥 𝑠𝑖𝑛(𝜃) cos(𝜑)+𝛿𝑥 ) (2.02)

𝑚=1

Et selon l’axe des y :

𝑁

𝐴𝐹𝑦 = ∑ 𝐴𝑦𝑛 𝑒 𝑗(𝑛−1)(𝑘𝑑𝑦 𝑠𝑖𝑛(𝜃) sin(𝜑)+𝛿𝑦 ) (2.03)

𝑛=1

Donc le facteur de réseau total s’écrit :

𝐴𝐹 = 𝐴𝐹𝑥 ∗ 𝐴𝐹𝑦 (2.04)

𝑀 𝑁

= ∑ ∑ 𝐴𝑥𝑚 𝐴𝑦𝑛 𝑒 𝑗[(𝑚−1)(𝑘𝑑𝑥 𝑠𝑖𝑛(𝜃) cos(𝜑)+𝛿𝑥 )+(𝑛−1)(𝑘𝑑𝑦 𝑠𝑖𝑛(𝜃) sin(𝜑)+𝛿𝑦 )]

𝑚=1 𝑛=1

34
 𝑀 𝑁
)+(𝑛−1)(𝑘𝑑𝑦 𝑠𝑖𝑛(𝜃) sin(𝜑)+𝛿𝑦 ))
𝐴𝐹 = ∑ ∑ 𝐴𝑚𝑛 𝑒 𝑗((𝑚−1)(𝑘𝑑𝑥 𝑠𝑖𝑛(𝜃) cos(𝜑)+𝛿𝑥 (2.05)
𝑚=1 𝑛=1

Où 𝐴𝑚𝑛 = 𝐴𝑥𝑚 ∗ 𝐴𝑦𝑛

Pour orienter le lobe principal vers la direction (θ0, φ0), les déphasages 𝛿x et 𝛿y doivent être :

𝛿𝑥 = −𝑘𝑑𝑥 𝑠𝑖𝑛(𝜃0 )cos(φ0 ) et 𝛿𝑦 = −𝑘𝑑𝑦 𝑠𝑖𝑛(𝜃0 )𝑠𝑖𝑛(φ0 ) (2.06)

2.3 Antennes intelligentes

2.3.1 Concept d’antenne intelligente

Une antenne intelligente est un système généralement constitué d’une série linéaire, circulaire ou
planaire d’antennes élémentaires dont la phase et l’amplitude sont contrôlables. Le sujet des
antennes intelligentes est l’union nécessaire entre des sujets connexes comme ceux énumérés dans
la Figure 2.13 [23].

Figure 2.13 : Diagramme de Venn reliant diverses disciplines aux antennes intelligentes

En général, un système d’antenne adaptatif ou intelligent combine un réseau d’antennes avec un

système de traitement numérique de signal (DSP, Digital Signal Processing en anglais) pour
transmettre et recevoir d’une manière adaptative. Donc en réalité, ce ne sont pas les antennes, en
elles même, qui sont intelligentes, mais plutôt leurs systèmes.

Une antenne intelligente est alors capable de modifier automatiquement son diagramme de
rayonnement en fonction de la modification du canal de propagation.

Les systèmes d’antennes traditionnelles ont des lobes fixes et envoient son signal de façon très large

35
en raison de la position du récepteur qui est inconnue. Les systèmes d’antennes intelligentes offrent
un tout autre degré de liberté puisqu’elles ont des lobes adaptatifs qui permettent de focaliser
l’énergie uniquement dans les directions souhaitées. Donc, l’antenne intelligente permet de former
des faisceaux d’énergie orientés vers un récepteur particulier sans avoir à connaître l’emplacement
du récepteur. Cela serait comparable à un dispositif de poursuite, une sorte de signature spatiale
[17].

Figure 2.14 : Différence entre les systèmes traditionnels et intelligents

Pour simplifier davantage le concept d’antenne intelligente, on peut prendre comme analogie
l’audition humaine. En effet, imaginons deux personnes en train de converser dans une pièce sombre
comme figuré en 2.15. L’homme peut localiser la source acoustique utile sans la visualiser, grâce à
des calculs du processeur de signal humain, le cerveau, en utilisant les deux oreilles comme antennes
réceptrices. Puis le cerveau additionne l’intensité des signaux provenant de chaque oreille afin de
se concentrer sur le son de la direction calculée. De plus, si d’autres orateurs se joignent à la
conversation, le cerveau peut ignorer les interférences indésirables et se concentrer sur une
conversation à la fois. De même le destinataire peut répondre dans la même direction que l’orateur
désiré en orientant l’émetteur (la bouche) vers l’orateur [24].

Figure 2.15 : Analogie entre l’audition humaine et l’antenne intelligente

36
2.3.2 Structure et fonctionnement d’une antenne intelligente
La structure d’une antenne intelligente est illustrée par la Figure 2.16. Elle est composée
fondamentalement de trois parties, qui sont les réseaux d’antennes, l’estimateur de direction
d’arrivées ainsi que le formateur de voie (Beamformer) [25].

Figure 2.16 : Schéma de blocs fonctionnels d’une antenne intelligente

en (a) réception et en (b) émission
En réception, les antennes réseau, disposées régulièrement selon une configuration précise, captent
les signaux entrant de différentes directions. Ensuite, ces antennes réseau travaillent à l’aide des
algorithmes de traitement de signal qui exploite la diversité spatiale pour identifier les paramètres
du signal tels que la direction d’arrivée (DOA) ou l’angle d’arrivée (AOA : Angle Of Arrival) [26].
Ce bloc de traitement de signal estime les angles ou bien les directions d’arrivée en identifiant les
signaux utiles venant de l’utilisateur désiré et ceux des interférents. Un autre bloc, le formateur de
voies, est ensuite chargé de calculer les vecteurs de pondérations w. Ces vecteurs des poids se
calculent après la détermination des angles d’arrivée, puis se combinent avec les signaux provenant
des différents éléments d’antennes pour former de façon intelligente le diagramme de rayonnement
vers l’utilisateur.

Si on considère que le réseau de M éléments, de la Figure 2.02, est linéaire et régulièrement espacé,
le facteur de réseau AF pourrait s’écrire :
𝑀

𝐴𝐹 = ∑ 𝑤𝑖 𝑒 𝑗(𝑖−1)(𝑘𝑑𝑠𝑖𝑛𝜃+𝛿) (2.02)
𝑖=0

Où 𝑤𝑖 est le vecteur de pondération de ième antennes.

37
Une antenne intelligente est alors constituée par un réseau d’antennes dont les sorties sont pondérées
par un terme complexe w avant d’être sommé entre elles.

2.3.3 Types d’antennes intelligentes

On peut classer les antennes intelligentes en trois grandes catégories qui sont le réseau déphasé, le
réseau à faisceau commutable et le réseau adaptatif qu’on appelle aussi antenne intelligente [27].

Les deux premières catégories utilisent des circuits analogiques pour la modifier la phase et
l’amplitude des excitations des éléments du réseau alors que la dernière catégorie est numérique.

[Link] Réseau déphasé

Un réseau déphasé est un réseau généralement muni d’un déphaseur. En amont de chaque source
élémentaire, un déphaseur permet de modifier la phase appliquée à la source.

Le réseau à phase dynamique, ou Dynamically phased array en anglais, peut être réalisé en ajoutant
des lignes de transmission (structure élémentaire non rayonnante), de longueurs variables, à chaque
élément du réseau [27]. Le délai de propagation sur ces lignes (retard) entraine le déphasage requis
entre les éléments, ce qui permet d’orienter le lobe vers une direction donnée. Dans ce type de
conception, le réseau est statique et il ne permet pas l’orientation du lobe principale vers une
direction autre que celle choisie initialement. Donc, on utilise généralement, à la place de ces lignes
de transmission, des déphaseurs à diodes [4].

Figure 2.17 : Réseau déphasé constitué par un diviseur de puissance et 4 déphaseurs.

[Link] Réseau à faisceau commutable

Le réseau à faisceau commutable (SBA pour Switching Beam Array) est un type de réseau dont le
diagramme de rayonnement peut être sélectionné parmi un nombre prédéfini de diagrammes fixes,

38
ayant des distributions différentes et favorisant certaines directions [27]. Ainsi le système commute
d’un lobe à l’autre, en gardant le niveau maximal du signal reçu, en fonction de la position de
l’utilisateur. Plusieurs techniques existent et fournissent ces faisceaux fixes [28]. Parmi eux, on peut
citer la matrice de Butler qui peut générer des lobes orthogonaux comme illustrés sur la Figure 2.18.

Figure 2.18 : Réseau à 4 faisceaux commutable.

[Link] Réseau adaptatif

Un réseau adaptatif, ou Adaptative Array en anglais, peut être défini comme un réseau, relié à un
processeur de traitement de signal qui peut modifier de manière adaptative son diagramme de
rayonnement. Ce type de réseau agit de manière à privilégier la direction d’intérêt et atténuer la
direction des interférences. L’antenne intelligente est aussi dite adaptative, car elle s’adapte
continuellement, en temps réel, à l’environnement radio au fur et à mesure de son changement. Elle
prend en compte la variation du canal de propagation, due essentiellement aux déplacements de
l’utilisateur.

Figure 2.19 : Structure d’une antenne adaptative

39
Le principe du réseau adaptatif est basé sur l’utilisation d’algorithme adaptatif qui lui permet de
s’adapter à des changements dynamiques du signal. Le poids complexe, sur les différentes branches
de réception, est ensuite ajusté pour obtenir un gain et une directivité de réseaux optimaux.

La figure suivante montre le principe de rayonnement des différents types d’antennes intelligentes
cités précédemment.

Figure 2.20 : Types des antennes intelligentes

2.3.4 Avantages des antennes intelligentes

Les avantages de l’utilisation des antennes intelligentes sont multiples que ce soient dans les réseaux
de communication sans fils ou encore dans les télécommunications cellulaires. Ces avantages
peuvent être récapitulés et regroupés en ce qui suit [29] :

 Augmentation de la portée de transmission

L’utilisation des réseaux d’antennes multiplie le gain total de l’antenne. Cela peut être exploité afin
d’agrandir la taille des cellules. De plus, la concentration de l’énergie envoyée dans la cellule
augmente la portée et la couverture de la station de base.

 Réduction des interférences

Dans un réseau cellulaire, on peut réduire les interférences des canaux adjacents en pointant des
nuls dans le diagramme de rayonnement des antennes d’une cellule dans la direction des cellules
qui utilise le même canal. Comme les antennes intelligentes pointent seulement le lobe dans une
direction particulière, la limitation de la dispersion des retards en réduisant l’effet des trajets

40
multiples permet d’obtenir un débit plus élevé.

 Augmentation de capacité

L’atténuation des interférences, combinées à la réutilisation de fréquence, réduit la distance (ou la

taille des clusters), améliorant ainsi la capacité.

 Réduction des coûts

L’efficacité de la puissance fournie par le système à antenne intelligente, en combinant les entrées
des multiples éléments, permet d’optimiser le gain disponible sur la liaison descendante (vers
l’utilisateur). Le système peut en effet rayonner une puissance moindre, et de cela découle une
réduction des coûts d’amplificateur associés au système et une faible consommation d’énergie.

De plus l’optimisation du gain de l’antenne permettra d’augmenter la sensibilité de l’antenne et les

téléphones mobiles pourront alors émettre avec une puissance plus faible.

2.4 Formation de faisceau

2.4.1 Concept et principe du beamforming

La formation de faisceau ou beamforming est une technique de traitement de signal utilisé par les
antennes intelligentes pour récupérer ou émettre des signaux dans des directions particulières avec
un gain maximum [14]. En effet, elle est utilisée pour contrôler la directivité de la réception ou de
la transmission d’un signal sur une liaison bidirectionnelle. Elle peut augmenter le gain du signal
dans la direction utile et diminuer le gain dans la direction d’interférence.

Figure 2.21 : Principe de la formation de faisceau

Elle peut être considérée comme un filtre spatial pour chaque direction d’intérêt [14], dans lequel
les faisceaux dirigés vers une direction spécifique sont ajoutés et les autres faisceaux négligés.

Selon la bande passante fractionnelle (FB : Fractional Band), la technique du beamforming peut être

41
à bande étroite ou à large bande. Afin de détailler le principe de la formation de faisceaux,
considérons le cas d’une bande étroite, c’est-à-dire que la fréquence est restreinte à un domaine très
étroit du spectre de fréquence.

Figure 2.22 : Principe de la formation de faisceau en réception (« beamformer » à bande étroite)

Soit s(t), le signal émis dans la direction (θ0, φ0) par un émetteur vers une antenne réseau à M
éléments. En se propageant sur un milieu homogène, le signal sur chaque élément d’antenne subit
un déphasage et une atténuation modélisés par le vecteur 𝑎(θ0 , φ0 ) à N composantes. Ce vecteur
constitue la réponse au niveau de chaque élément d’antenne pour la direction considérée et est
appelé vecteur directionnel (steering vector) suivant (θ0, φ0) [14].

𝑎1 (θ0 , φ0 )𝑒 𝑗𝑣1 (θ0 ,φ0)

𝑗𝑣2 (θ0 ,φ0 )
𝑎(θ0 , φ0 ) = 𝑎2 (θ0 , φ0 )𝑒 (2.02)
⋮
[𝑎𝑁 (θ0 , φ0 )𝑒 𝑗𝑣𝑁 (θ0 ,φ0 ) ]

Pour les modèles de signaux à bande étroite, le vecteur des signaux reçus au niveau des différents
éléments d’antennes s’écrit :

𝑥(𝑡) = 𝑎(θ0 , φ0 ) . s(t) + 𝑏(𝑡) (2.03)

Où 𝑏(𝑡) est le vecteur bruit additif.

Avec x(t) = [𝑥1 (𝑡), 𝑥𝑀 (𝑡), … , 𝑥𝑀 (𝑡)]𝑇 , où 𝑥𝑖 (𝑡) représente le signal reçu par l’élément i.

Comme illustré sur le schéma de principe de la Figure 2.22, une pondération est appliquée sur les
éléments d’antennes pour contrôler et former les diagrammes de rayonnement. Cela s’effectue par
la multiplication des signaux reçus sur chaque élément d’antenne par des coefficients complexe.

La sortie du réseau s’écrit :

42
 𝑥1 (𝑡)
𝑥 (𝑡)
𝑦(𝑡) = [𝑤1 ∗ , 𝑤2 ∗ , … , 𝑤𝑀 ∗ ] [ 2 ] = 𝑤 𝐻 (𝑡). 𝑥(𝑡) (2.04)
⋮
𝑥𝑀 (𝑡)

Où 𝑤 𝐻 (𝑡) représente la pondération, ou plus précisément, l’Hermitien (transposé conjugué) du

vecteur des poids complexe. L’ajustement de cette pondération s’appuie sur des critères variés tels
que la maximisation du gain dans une direction donnée ou la maitrise du niveau des lobes
secondaires.

En l’absence du bruit, on trouve :

𝑦(𝑡) = 𝑤 𝐻 (𝑡). 𝑎(θ0 , φ0 ) . s(t) (2.05)

Et on pose :

𝐴𝐹 = 𝑤 𝐻 (𝑡). 𝑎(θ0 , φ0 ) . s(t) (2.06)

Le facteur de réseau permet de calculer le diagramme de rayonnement lorsque les poids des
différents éléments d’antennes sont connus. Ainsi conformer le diagramme de rayonnement suivant
des directions privilégiées revient à ajuster les différents poids.

2.4.2 Types de formateur de faisceaux

On distingue deux types de formateurs de faisceaux, qui sont : le réseau de formation analogique de
faisceaux (Analog Beamforming) et le réseau de formation de faisceau par le calcul ou numérique
(Digital Beamforming). Le premier est, le plus souvent, utilisé dans le domaine des réseaux
cellulaires alors que le second est plutôt utilisé dans le domaine du radar. La différence entre les
deux types de formateurs est que le premier réalise la formation de faisceaux sur un support RF
(ligne de transmission, guide d’onde) alors que le second réalise la formation de faisceau sur un
support numérique, ce qui offre plusieurs avantages [14].

La formation de faisceau analogique est mise en œuvre de manière simple à l’aide de déphaseurs
peu coûteux. Pour cette raison, la formation de faisceau analogique est plus rentable que la formation
de faisceau numérique. Cependant, la formation de faisceau numérique offre de meilleures
performances que la formation de faisceau analogique, mais elle est également plus complexe.
Dans un compromis entre le coût, la taille et la complexité, les deux types de formations de faisceaux
peuvent être combinés pour créer une solution hybride [30]. On parle alors de formation de faisceau
hybride.
Il existe bien d’autres classifications possibles du beamforming mais elle peut se résumer par :

43
 Figure 2.23 : Classification du beamforming en général

[Link] « Beamforming » analogique

Les beamformers analogiques utilisent des matrices (comme la matrice de Butler et la matrice de
Blass) ou des lentilles (comme la lentille de Rotman ou la lentille de Luneberg) [27]. Les deux types
de formateurs ont la capacité de former des faisceaux fixes. Généralement, les formateurs de
faisceaux analogiques sont basés sur des déphaseurs analogiques pour générer les déphasages
nécessaires entre les éléments d’antennes pour diriger le rayonnement, que nous verrons dans
l’Annexe 1.

[Link] « Beamforming » numérique

Selon un critère bien déterminé, il existe plusieurs approches pour optimiser ou adapter les poids
d’un réseau d’antennes. Les critères, les plus communément utilisés, peuvent être de maximiser le
rapport signal à interférence (SIR), minimiser la variance du bruit et minimiser l’erreur quadratique
moyenne [31].

a. SIR maximal

L’approche du SIR maximal (Maximum Signal-to-Interference Ratio) consiste à optimiser les poids
en maximisant le rapport SIR.

La Figure 2.24 montre un signal incident désiré dans la direction 𝜃0 et N signaux interférents
incidents dans les directions 𝜃1 , 𝜃2 , … , 𝜃𝑁 . Ces signaux incidents sont captés par un réseau
d’antennes est constitué par M éléments, donc de M poids associés.

44
 Figure 2.24 : Principe d’un beamformer numérique

Supposons que le nombre de signaux incidents est inférieur aux nombres d’éléments d’antennes
(N+1 ≤ 𝑀). Considérons que le bruit sur chaque élément est blanc gaussien de variance σ𝑏 2

On peut exprimer la sortie du beamformer par :

𝑦(𝑘) = 𝑤 𝑇 . x(𝑘) (2.02)

Selon [26], on peut exprimer les signaux reçus à l’entrée du réseau par :

𝑥(𝑘) = 𝐴(θ). s(𝑘) + 𝑏(𝑘) (2.03)

Avec 𝑠(𝑡) = [𝑠0 (𝑡), 𝑠1 (𝑡), … , 𝑠𝑁 (𝑡)]𝑇 , le vecteur des enveloppes complexes des N sources et
𝐴(𝜃) = [𝑎(θ0 ), 𝑎(θ1 ), 𝑎(θ2 ), … , 𝑎(θ𝑁 )], matrice directionnelle du vecteur d’antenne. Or, en
dissociant le signal désiré des interférents, on peut réécrire x(k) :

𝑥(𝑘) = 𝐷(𝑘) + 𝐼(𝑘) (2.04)

Avec : le signal désiré D(k) = 𝑎(θ0 ) ∗ 𝑠0 (𝑘), et les signaux indésirables (Interférence + bruit)

I(k) = [𝑎(θ1 ), 𝑎(θ2 ), … , 𝑎(θ𝑁 )] [𝑠1 (k), 𝑠2 (k), … , 𝑠𝑁 (k)]T + b(k)

La sortie y(k) devient :

𝑦(𝑘) = 𝑤 𝑇 [𝐷(𝑘) + 𝐼(𝑘)] = 𝑤 𝑇 𝐷(𝑘) + 𝑤 𝑇 𝐼(𝑘) (2.05)

On peut calculer ensuite les matrices de corrélation pour le signal désiré Rdd et les signaux
indésirables Rii :

45
 𝑅𝑑𝑑 = 𝐸[𝐷(𝑘) + 𝐷(𝑘)𝐻 ] (2.06)

𝑅𝑖𝑖 = 𝐸[𝐼(𝑘) + 𝐼(𝑘)𝐻 ] (2.07)

Le rapport signal à interférences à la sortie est défini par le rapport entre la puissance du signal
désiré et la puissance du bruit interférent, ce qui se traduit par :

𝜎𝑑 2 (2.08)
𝑆𝐼𝑅 = 2
𝜎𝑖
Où :
𝜎𝑑 2 = 𝐸[|𝑤 𝑇 𝐷(𝑘)|2 ] = 𝑤 𝑇 𝐸[𝐷(𝑘)𝐷(𝑘)𝐻 ]𝑤 = 𝑤 𝑇 𝑅𝑑𝑑 𝑤 (2.09)

𝜎𝑖 2 = 𝐸[|𝑤 𝑇 𝐼(𝑘)|2 ] = 𝑤 𝑇 𝐸[𝐼(𝑘)𝐼(𝑘)𝐻 ]𝑤 = 𝑤 𝑇 𝑅𝑖𝑖 𝑤 (2.10)

D’où :
𝑤 𝑇 𝑅𝑑𝑑 𝑤
𝑆𝐼𝑅 = (2.11)
𝑤 𝑇 𝑅𝑖𝑖 𝑤
𝑅𝑖𝑖 −1 𝑅𝑑𝑑 . 𝑤 = 𝑆𝐼𝑅. 𝑤 (2.12)

Cette équation 2.43 est une équation à vecteurs propres avec les SIR comme des valeurs propres.
Le SIRmax est égal à la plus grande valeur propre de la matrice hermitienne 𝑅𝑖𝑖 −1 𝑅𝑑𝑑 . Le vecteur
propre associé à cette valeur propre est le vecteur poids optimal recherché wopt [32].

b. Variance minimale

L’approche de la variance minimale consiste à calculer les poids complexes en minimisant la

variance du bruit à la sortie du beamformer, tout en imposant une contrainte de non-distorsion du
signal utile (MVDR : Minimum Variance Distortionless Response). Cela se traduit par :

𝑤 𝑇 𝑎(𝜃) = 1 (2.01)

Le signal à la sortie devient alors :

𝑦(𝑘) = 𝑠0 (𝑘) + 𝑤 𝑇 𝐼(𝑘) (2.02)

En supposant que la valeur moyenne des signaux indésirables soit nulle, l’espérance mathématique
de la sortie est :

𝐸[𝑦(𝑘)] = 𝑠0 (𝑘) (2.03)

La variance est donnée par :

𝜎 2 = 𝐸[|𝑦(𝑘)|2 ] = 𝐸[|𝑠0 (𝑘) + 𝑤 𝑇 𝐼(𝑘)|2 ] = 𝑤 𝑇 𝑅𝑖𝑖 𝑤 (2.04)

46
L’équation 2.47 représente un problème d’optimisation sous la contrainte directionnelle de
l’équation 2.44. En utilisant la méthode des multiplicateurs de Lagrange, qui transforme le problème
d’optimisation sous contrainte en un sans contrainte, le vecteur poids optimal de la variance minimal
peut être donné par :
𝑅𝑖𝑖 −1 . 𝑎(𝜃0 )
𝑤𝑀𝑉𝐷𝑅 = (2.05)
𝑎(𝜃0 )𝑇 . 𝑅𝑖𝑖 −1 . 𝑎(𝜃0 )

c. Erreur quadratique moyenne minimale

L’approche du MMSE (Minimum mean-square-error) consiste à définir des poids de manière à

minimiser l’erreur quadratique moyenne entre la sortie du beamformer et le signal attendu. Pour ce
faire, un signal de référence est ajouté à la sortie. Ce signal doit être à la fois identique au signal
désiré et différent des signaux interférents.

La Figure 2.25 suivante montre le cas du « beamformer » avec un signal de référence d(k) :

Figure 2.25 : Principe d’un beamformer numérique avec un signal de référence

Soient respectivement d(k) et y(k) les signaux échantillonnés de y(t) et d(t) à l’instant 𝑡𝑘 . L’erreur
e(k), la différence entre le signal de référence d(k) et la sortie du beamformer y(k), est défini par :

𝑒(𝑘) = 𝑑(𝑘) − 𝑤 𝐻 𝑥(𝑘) (2.02)

La valeur quadratique moyenne de cette erreur est donc :

|𝑒(𝑘)|2 = |𝑑(𝑘)|2 − 2𝑑(𝑘)𝑤 𝐻 𝑥(𝑘) + 𝑤 𝐻 𝑥(𝑘) 𝑥 𝐻 (𝑘)𝑤 (2.03)

47
L’espérance mathématique de 2.50 est alors :

𝐸[|𝑒(𝑘)|2 ] = 𝐸[|𝑑(𝑘)|2 ] − 2𝑤 𝐻 𝑟𝑥𝑑 + 𝑤 𝐻 𝑅𝑥𝑥 𝑤 (2.04)

Où 𝑅𝑥𝑥 = 𝐸[𝑥(𝑘) 𝑥(𝑘)𝐻 ] est la matrice MxM de corrélation et 𝑟𝑥𝑑 = 𝐸[𝑑 ∗ (𝑘)𝑥(𝑘)] est le vecteur
de corrélation croisée de dimension Nx1.

L’expression dans l’équation 2.51 est une fonction quadratique du vecteur poids. En calculant le
gradient ∇ de cette équation et en égalisant à 0 :

∇(𝐸[|𝑒(𝑘)|2 ]) = ∇(𝐽(𝑤)) = 2𝑅𝑥𝑥 𝑤 − 2𝑟𝑥𝑑 = 0 (2.05)

On trouve alors le vecteur poids optimal :

𝑤𝑀𝑀𝑆𝐸 = 𝑅𝑥𝑥 −1 𝑟𝑥𝑑 (2.06)

2.5 Conclusion

Pour conclure cette partie, nous avons vu les différentes dispositions des antennes pour former un
réseau ainsi les paramètres qui joue dans la modification des rayonnements de ce réseau. Ensuite
nous avons vu les systèmes qui rendent un réseau d’antennes intelligents. Enfin nous avons vu les
différentes techniques de formation de faisceau dans ce type de réseau. Dans le prochain chapitre,
nous allons parler des différents algorithmes de formation de faisceaux et plus particulièrement des
algorithmes adaptatifs.

48
 CHAPITRE 3
ALGORITHMES ET FILTRAGES ADAPTATIFS

3.1 Introduction

Les algorithmes de beamforming peuvent être implémentés sur les deux côtés, émetteurs (formation
de faisceau d’émission) et récepteurs, pour fournir un gain de réseau significativement amélioré, un
rapport signal/bruit (SNR) plus élevé et réduction considérable des interférences [31].

Suivant le calcul de poids complexes, on distingue deux principales catégories de formation de

faisceaux. Ce sont la formation de faisceau conventionnel et la formation de faisceau numérique.
La formation de faisceau conventionnel s’applique à des sources à angles d’arrivée fixe. Cependant,
si les angles d’arrivée des sources changent avec le temps, la formation de faisceaux fixes ne peut
pas être utilisées. Les poids optimaux du réseau doivent être adaptés en permanence à
l’environnement en constante évolution. Ce processus est connu sous le nom de formation de
faisceaux adaptative [33].

3.2 Types d’algorithmes de beamforming

3.2.1 Formation de faisceaux conventionnelle (FFC)

La méthode conventionnelle de formation de faisceau, appelée aussi formation de voie, est une
technique qui permet de pointer le faisceau dans la direction voulue, indépendamment du signal
global reçu.

La FFC consiste à estimer, dans un premier temps, les angles d’arrivées de toutes les sources. Dans
un second temps, les pondérations sont ensuite calculées. Le choix de ces poids se fait en sommant
en phase les signaux provenant d’une direction (θ0, φ0). Le réseau pointe alors dans cette direction
où une amplitude optimale est obtenue.

La pondération optimisée à partir du FFC est donnée par :

𝑤𝐹𝐹𝐶 = 𝑎(θ0 , φ0 ) (3.01)

Le signal à la sortie du formateur de faisceau s’écrit :

𝑦(𝑡) = 𝑎𝐻 (θ0 , φ0 ). x(t) (3.02)

Où 𝑎𝐻 (θ0 , φ0 ) représente alors l’Hermitien du vecteur directionnel de la direction visée.

On obtient :

49
 𝑦(𝑡) = 𝑎𝐻 (θ0 , φ0 )𝑎(θ0 , φ0 ). s(𝑘) + 𝑎𝐻 (θ0 , φ0 ). 𝑏(𝑘) (3.03)

𝑦(𝑡) = |𝑎(θ0 , φ0 )|2 . s(𝑘) + 𝑎𝐻 (θ0 , φ0 ). 𝑏(𝑘) (3.04)

Lorsqu’on applique la pondération 𝑤𝐹𝐹𝐶 = 𝑎(θ0 , φ0 ) à un signal n(t) émis dans une direction
(θ1 , φ1 ) différente de 𝑎(θ0 , φ0 ), le signal de sortie s’écrit :
𝑁

𝑦(𝑡) = ∑ 𝑎𝑖 (θ0 , φ0 )𝑎𝑖 (θ1 , φ1 )𝑒 𝑗[𝑣𝑖 (θ1 ,φ1 )− 𝑣𝑖 (θ0 ,φ0 )] . n(t) + 𝑎𝐻 (θ0 , φ0 ). 𝑏(𝑘) (3.05)
𝑖=1

Le signal n(t) émis est multiplié par un facteur conduisant à une atténuation non maîtrisée en dehors
du lobe principal, c’est-à-dire que les lobes et les zéros du diagramme, en dehors du lobe principal,
sont aléatoires [14].

La formation de faisceau conventionnelle permet le pointage de l’antenne dans la direction voulue

(θ0 , φ0 ) et le filtrage dans les directions non désirées. Elle a comme avantage d’être moins
complexe, car seule la connaissance des vecteurs directionnels ainsi que la direction d’arrivée du
signal émis sont requises pour son implémentation. Elle a cependant comme inconvénient d’être
moins optimale lors du calcul des pondérations, car elle est indépendante des données (signal utile
ou non) en entrée du réseau. De ce fait, la méthode conventionnelle ne maximise pas le rapport sur
bruit et cela nous conduit à introduire le second type de formation de faisceaux.

3.2.2 Formation de faisceaux adaptatifs (FFA)

Contrairement à la méthode précédente, qui ne tient pas compte des éventuels brouilleurs, la
méthode adaptative est une technique de formation de faisceau qui permet de rejeter les interférences
toute en introduisant une dépendance vis-à-vis des signaux reçus.

Le principe est de déterminer la pondération de telle sorte que la combinaison des sorties soit
optimale selon un critère à définir. Lors du calcul des poids, la méthode adaptative se base sur un
critère de performance que l’on peut classer en 3 catégories [28]. La première regroupe les critères
basés sur la connaissance de la direction d’incidence de la source utile. La seconde rassemble les
critères qui s’appuient sur un signal de référence corrélé à un signal utile. Ce signal peut être une
pure porteuse ou une séquence d’apprentissage ou un code correspondant au signal utile [28]. La
troisième catégorie repose sur l’utilisation des algorithmes dits adaptatifs.

[Link] Techniques basées sur la direction d’arrivée

Dans le cas de la technique basée sur la direction d’arrivée, il existe des critères classiques qui sont

50
le critère du rapport signal sur interférent plus bruit (RSIB), le critère du maximum de vraisemblance
(ML pour Maximum Likelihood) et le critère de minimum de variance (LCMV pour Linearly
Constrain Minimum Variance), etc.

L'estimation de la DoA utilise des algorithmes implémentés au niveau de la bande de base qui
pondèrent les signaux provenant de plusieurs antennes afin de déterminer la direction du signal
entrant. Ces algorithmes peuvent être classés en trois grands groupes, comme illustrés sur la Figure
3.01 suivante [34] :

Figure 3.01 : Les techniques d’estimation d’angle d’arrivée

a. « Beamformer » Conventionnel

La méthode de base, développé par Bartlett, est l’une des premières méthodes utilisées pour détecter
les angles d'arrivées. Son principe est de réaliser la transformée de Fourier Spatiale des signaux
reçus [35]. Elle consiste à diriger le réseau dans une direction spécifique et mesurer la puissance
reçue à sa sortie à un instant donné. Puis la direction qui donne la puissance maximale de sortie
indique la vraie direction d’arrivée.

b. Prédiction linéaire

La méthode de prédiction linéaire a été développée par Prony en 1795. Son principe est de minimiser
l'erreur de prédiction sur la réponse d’un élément quelconque du réseau [35].

c. Maximisation du RSIB

La méthode de maximisation du signal sur interférence plus bruit (RSIB), développé par Capon en
1969, est une autre méthode d’estimation de DoA basée sur une estimation sans biais et à variance
minimale (MVDR) [35]. La méthode Capon est considéré comme une extension de la méthode de

Bartlett.

51
d. Méthodes des sous-espaces

Elles font suite historiquement à la méthode de Capon et s'appuient sur une décomposition de
l'espace en un espace signal (𝐸𝑆 ) et un espace bruit (𝐸𝐵 ) par recherche de valeurs propres [35].

 Méthode de Min-Norm

Développée par Reddi, Kumaresan et Tufs, cette méthode optimise le vecteur de pondération par
la résolution de : min(W𝐻 𝑊) ; 𝐸𝑆 𝐻 𝑊 = 0; 𝑊𝑒1 = 1. Avec 𝑒1 , le vecteur propre associé à 𝜆1 .

 Méthodes MUSIC et ESPRIT

MUSIC (MUltiple SIgnal Classification) et ESPRIT (Estimation of Signal Parameters via

Rotationnal Invariance Techniques) utilisent respectivement la recherche d’extrema dans un
pseudo-spectre, la recherche de zéros d’un polynôme, et la recherche des valeurs propre d’une
matrice pour la détermination des directions d’arrivée.

[Link] Techniques basées sur la séquence de référence

Dans cette technique, une partie de la forme d’onde du signal utile 𝑠(𝑘) est connu du récepteur
durant un laps de temps associé à une séquence d’apprentissage. Il est alors possible de minimiser
l’erreur entre la sortie du formateur de faisceau 𝑦(𝑘) et le signal utile.

[Link] Algorithmes adaptatifs

Le choix d’un l’algorithme, qui permet d’atteindre une solution optimale, est une étape cruciale, car
la vitesse de convergence et la complexité d’intégration dépendent de lui [36]. Les algorithmes les
plus utilisés sont l’algorithme de gradient stochastique LMS (Least Mean Square), l’inversion
directe de la matrice de convergence (DMI), l’algorithme des moindres carrés récursifs RLS
(Recursive Least Squares) et l’algorithme à module constant CMA (Constant Modulus Algorithm)
[32] [37] [38].

52
 Figure 3.02 : Classification des algorithmes adaptatifs

3.3 Algorithmes adaptatifs de beamforming

Dans les réseaux d’antennes adaptatifs, selon l’angle d’arrivé des différents signaux, le faisceau peut
être dirigé vers la direction du signal souhaité tandis que le nul est appliqué vers les directions
indésirables des signaux. Le DOA des signaux entrants est facilement estimé par l’antenne
intelligente. Ensuite, à l’aide de l’algorithme adaptatif de beamforming, le faisceau est formé dans
la direction du signal désiré. Les différents algorithmes adaptatifs peuvent être divisés en 2 groupes
principaux qui sont les méthodes aveugles et les non aveugles [36].

3.3.1 Algorithmes adaptatifs non aveugles

[Link] Solution de Wiener

La plupart des algorithmes adaptatifs non aveugles tentent de minimiser l’erreur quadratique
moyenne entre signaux désirés d(t) et la sortie du réseau y(t). Le filtre de Wiener est un filtre qui
minimise l’erreur quadratique moyenne (EQM ou MSE en anglais) :

𝐽(𝑤) = 𝐸 [|𝑒(𝑘)|2 ] (3.01)

L’expression de l’équation 3.06 est une fonction quadratique du vecteur de poids 𝑤(𝑘) qu’on
appelle parfois fonction de coût 𝐽(𝑤).

E[.] désigne l’opérateur d’espérance et le développement de la valeur entre crochet donne :

𝐽(𝑤) = 𝐸 [|𝑑(𝑘) − 𝑦(𝑘)|2 ] (3.02)

𝐽(𝑤) = 𝐸 [{𝑑(𝑘) − 𝑦(𝑘)}{𝑑(𝑘) − 𝑦(𝑘)}∗ ] (3.03)

53
 𝐽(𝑤) = 𝐸 [{𝑑(𝑘) − 𝑤 𝐻 𝑥(𝑘) }{𝑑(𝑘) − 𝑤 𝐻 𝑥(𝑘)}∗ ] (3.04)

𝐽(𝑤) = 𝐸 [|𝑑(𝑘)|2 − 𝑑 ∗ (𝑘)𝑤 𝐻 𝑥(𝑘) − 𝑑(𝑘)𝑥 𝐻 (𝑘)𝑤 + 𝑤 𝐻 𝑥(𝑘)𝑥 𝐻 (𝑘)𝑤] (3.05)

𝐽(𝑤) = 𝐸 [|𝑑(𝑘)|2 ] − 𝑟𝑥𝑑 𝑤 𝐻 − 𝑟𝑥𝑑 𝐻 𝑤 + 𝑤 𝐻 𝑅𝑥𝑥 𝑤 (3.06)

Le vecteur gradient, ∇(J(w)), est défini par :

𝜕𝐽
∇(𝐽(𝑤)) = (3.07)
𝜕𝑤 ∗
𝜕𝐽
Où 𝜕𝑤∗ , désigne la dérivée par rapport au conjugué du vecteur complexe w.

L’erreur quadratique moyenne J minimale est obtenue en résolvant :

∇(𝐽(𝑤)) = 0 (3.08)

En substituant l’équation 3.11 dans 3.12, on aura :

𝜕 𝜕 𝜕 (3.09)
∇(𝐽(𝑤)) = (𝑤 𝐻 𝑅𝑥𝑥 𝑤) − (𝑟𝑥𝑑 𝑤 𝐻 ) − (𝑟 𝐻 𝑤) = 0
𝜕𝑤 𝐻 𝜕𝑤 𝐻 𝜕𝑤 𝐻 𝑥𝑑
𝜕 𝜕 𝜕
∇(𝐽(𝑤)) = (𝑤 𝐻 𝑅𝑥𝑥 𝑤) − (𝑟𝑥𝑑 𝑤 𝐻 ) − (𝑟 𝑤 𝐻 ) = 0 (3.10)
𝜕𝑤 𝐻 𝜕𝑤 𝐻 𝜕𝑤 𝐻 𝑥𝑑

∇(𝐽(𝑤)) = 2𝑅𝑥𝑥 𝑤 − 𝑟𝑥𝑑 − 𝑟𝑥𝑑 = 0 (3.11)

∇(𝐽(𝑤)) = 2𝑅𝑥𝑥 𝑤 − 2𝑟𝑥𝑑 = 0 (3.12)

𝑅𝑥𝑥 𝑤 = 𝑟𝑥𝑑 (3.13)

L’équation 3.18 est appelée équation de Wiener-Hopf et le vecteur de poids optimal 𝑤𝑜𝑝𝑡 associé
est appelé la solution de Wiener.

𝑤𝑜𝑝𝑡 = 𝑅𝑥𝑥 −1 𝑟𝑥𝑑 (3.14)

Figure 3.03 : Présentation schématique du filtre de Wiener

54
[Link] Algorithme à gradient de descente
Bien que l’équation de Wiener-Hopf peut être résolue directement en calculant le produit de
l’inverse de la matrice de corrélation 𝑅𝑥𝑥 et le vecteur 𝑟𝑥𝑑 d’intercorrélation, le calcul reste difficile
et complexe en raison de l’inversion de la matrice de corrélation. Pour y remédier, on utilise une
procédure alternative qui est la méthode de descente de gradient (ou steepest descent, en anglais).

La méthode de descente de gradient est un algorithme qui peut résoudre les problèmes de
minimisation de fonction de manière itérative. La condition de la mise en œuvre de cet algorithme
est que la fonction à optimiser possède des dérivées partielles continues c’est-à-dire qu’on peut
calculer son gradient et il est souhaitable d’avoir un minimum unique afin d’assurer une
convergence optimale. Le principe de l’algorithme consiste à partir d’un point quelconque du
domaine de définition de la fonction à optimiser et mettre à jour à chaque itération ce point en se
déplaçant dans la direction opposée du gradient en ce point, de manière à se rapprocher du minimum
de la fonction comme illustré sur la Figure 3.04.

Figure 3.04 : Principe de la descente de gradient

Ainsi on peut avoir une approximation du gradient de la fonction de coût grâce à méthode du
« steepest descent » et la direction de cette dernière est à l’opposé de la direction du vecteur du
gradient. Pour trouver la valeur minimale de la surface MSE, 𝐽𝑚𝑖𝑛 , à l’aide de l’algorithme de la
descente du gradient, nous procédons de la manière suivante :

Etape 1 : Nous commençons par la valeur initiale w(0), en utilisant généralement le vecteur nul.

Etape 2 : Ensuite au point de la surface MSE qui correspond à w(0), nous calculons le vecteur
gradient, ∇J[(w(0)].
Etape 3 : Puis nous calculons la valeur -µ∇J[(w(0))] et l’ajoutons à w(0) pour obtenir w(1). Enfin

55
nous retournons à l’étape (2) et continuons la procédure jusqu’à ce que nous trouvions la valeur
optimale du coefficient vectoriel, 𝑤𝑜𝑝𝑡 .

Soit w(k) la valeur du vecteur de pondération à l’instant 𝑡𝑘 . Selon la méthode de la descente de

gradient, la mise à jour du vecteur à l’instant 𝑡𝑘+1 est calculée en utilisant la relation récursive :

𝑤(𝑘 + 1) = 𝑤(𝑘) − 𝜇 . ∇[𝐽(𝑤)] (3.02)

𝜕𝐽[𝑤(𝑘)]
𝜕𝑤0
𝜕𝐽[𝑤(𝑘)]
∇[𝐽(𝑤(𝑘))] = 𝜕𝑤1 ; 𝑤(𝑘) = [𝑤(0) 𝑤(1) … 𝑤(𝑀 − 1)]𝑇 (3.03)
⋮
𝜕𝐽[𝑤(𝑘)]
[ 𝜕𝑤𝑀−1 ]

[Link] Algorithme des moindres carrés moyens (LMS)

La méthode des moindres carrés moyens a été développée, pour la première fois, par Widrow et
Hoff en 1959 [25]. L’algorithme LMS, dit algorithme de gradient stochastique est la version
récurrente du filtre de Wiener. Cet algorithme permet de résoudre l’équation de Wiener par une
séquence de référence en se basant sur la méthode du gradient. Il optimise les valeurs de
pondérations w de telle sorte que l’erreur quadratique moyenne (MSE) entre la sortie du formateur
de faisceau y(t) et le signal de référence d(t) soit minimale.

Figure 3.05 : LMS Adaptatif de formation de faisceaux

L’algorithme LMS peut être résumé par les équations suivantes :

 L’équation de la sortie du réseau

56
 𝑦(𝑘) = 𝑤 𝐻 𝑥(𝑘) (3.02)

 L’équation de l’erreur
Comme illustré sur la Figure 3.05, l’erreur est donnée par :

𝑒(𝑘) = 𝑑(𝑘) − 𝑤 𝐻 𝑥(𝑘) (3.03)

 L’équation de mise à jour de poids

L’algorithme LMS stochastique incorpore un procédé itératif qui fait des corrections successives au
vecteur de poids afin d’atteindre l’erreur quadratique minimale. On peut utiliser la méthode itérative
du « steepest descent » pour approximer le gradient de la fonction du coût 𝐽(𝑤). Cette méthode
itérative est décrite ci-dessous :

𝑤(𝑘 + 1) = 𝑤(𝑘) − 𝜇 . ∇(𝐽(𝑤)) (3.04)

Où µ est le pas de variation. Il permet le contrôle de la vitesse de convergence et varie, généralement,

entre 0 et 1. ∇(𝐸[𝐽(𝑤)]) est la valeur estimée du gradient de l’erreur quadratique moyenne 𝐽(𝑤),
donnée par :

∇(𝐽(𝑤)) = 2𝑅𝑥𝑥 𝑤 − 2𝑟𝑥𝑑 (3.05)

En pratique, la valeur exacte du gradient ne peut être déterminée du fait que les matrices 𝑅𝑥𝑥 et 𝑟𝑟𝑥
ne sont pas elles-mêmes connues. Nous devons recourir à des estimations instantanées de la matrice
de corrélation du réseau et du vecteur de corrélation du signal :

𝑅̂𝑥𝑥 ≈ 𝑥(𝑘). 𝑥(𝑘)𝐻 (3.06)

𝑟̂𝑥𝑑 ≈ 𝑑∗ (𝑘). 𝑥(𝑘) (3.07)

Les pondérations sont remises à jour selon :

𝑤(𝑘 + 1) = 𝑤(𝑘) − 2𝜇 (𝑅̂𝑥𝑥 𝑤 − 𝑟̂𝑥𝑑 ) (3.08)

𝑤(𝑘 + 1) = 𝑤(𝑘) + 2𝜇 (𝑑 ∗ (𝑘). 𝑥(𝑘) − 𝑥(𝑘). 𝑥(𝑘)𝐻 𝑤) (3.09)

𝑤(𝑘 + 1) = 𝑤(𝑘) + 2𝜇 𝑥(𝑘)(𝑑 ∗ (𝑘) − 𝑥(𝑘)𝐻 𝑤) (3.10)

𝑤(𝑘 + 1) = 𝑤(𝑘) + 2𝜇 𝑥(𝑘)(𝑑 ∗ (𝑘) − 𝑦 ∗ (𝑘)) (3.11)

Ce qui nous donne la solution LMS :

𝑤(𝑘 + 1) = 𝑤(𝑘) + 2𝜇 𝑥(𝑘)𝑒 ∗ (𝑘) (3.12)

Dans l’algorithme LMS, la valeur de la taille de pas µ a une influence très importante sur la

57
performance de l’algorithme, affectant la stabilité et la vitesse de convergence [37].

Pour un pas d’adaptation trop petite, la convergence est lente. Si la convergence est plus lente que
le changement des angles d’arrivée, il est possible que le réseau adaptatif ne puisse pas acquérir le
signal d’intérêt rapidement. Pour un pas trop grand, l’algorithme LMS va dépasser les poids
optimaux d’intérêt.

La condition de convergence de l’algorithme LMS est donnée par :

1
0≤µ≤ (3.13)
2𝜆𝑚𝑎𝑥

Où 𝜆𝑚𝑎𝑥 est la plus grande valeur propre 𝑅̂𝑥𝑥 .

[Link] Algorithme à gradient stochastique normalisé (NLMS)

En termes de structure, l’algorithme LMS normalisé est exactement le même que l’algorithme LMS
traditionnel. L’algorithme LMS utilise une taille de pas dépendante des données à chaque itération
et par conséquent, lorsque x(k) est grand, l’algorithme LMS souffre d’un problème d’amplification
du bruit du gradient [37].

Pour surmonter cette difficulté, nous pouvons utiliser l’algorithme NLMS. Dans le cas de cet
algorithme, seule la fonction de mise à jour du poids qui change et toutes les autres équations restent
le même que celui décrit pour LMS. La mise à jour du poids de l’équation pour l’algorithme NLMS
est définie les équations qui suivent :

D’abord, considérons l’algorithme conventionnel de la méthode des moindres carrés moyens (LMS)
avec le paramètre de taille de pas fixe µ remplacé par une variable temporelle µ(k).

𝑤(𝑘 + 1) = 𝑤(𝑘) + 2𝜇(𝑘)𝑒(𝑘)𝑥(𝑘) (3.01)

Puis définissons l’erreur a posteriori, 𝑒𝑝𝑠 (𝑘), comme :

𝑒𝑝𝑠 (𝑘) = 𝑑(𝑘) − 𝑤 𝑇 (𝑘 + 1)𝑥(𝑘) (3.02)

Ensuite en substituant 3.34 dans 3.35 et en prenant en considération l’équation de l’erreur 𝑒(𝑘) =
𝑑(𝑘) − 𝑤 𝑇 (𝑘)𝑥(𝑘), on obtient :

𝑒𝑝𝑠 (𝑘) = [1 − 2𝜇(𝑘)𝑥 𝑇 (𝑘)𝑥(𝑘)]𝑒(𝑛) (3.03)

Avec : 𝑥 𝑇 (𝑘)𝑥(𝑘) = ‖𝑥(𝑘)‖2 = ∑𝑀−1

𝑖=0 |𝑥(𝑘 − 𝑖)|
2 (3.04)

Après, en minimisant l’erreur 𝑒𝑝𝑠 (𝑘), on a :

58
 1 1
𝜇(𝑘) = = (3.05)
2𝑥 𝑇 (𝑘)𝑥(𝑘) 2‖𝑥(𝑘)‖2

Enfin la substitution de l’équation 3.38 dans 3.34 donne :

1 (3.06)
𝑤(𝑘 + 1) = 𝑤(𝑘) + 𝑒(𝑘)𝑥(𝑘)
‖𝑥(𝑘)‖2

Cependant, l’algorithme LMS normalisé (NLMS) le plus commun est défini par :
µ (3.07)
𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝑒(𝑘)𝑥(𝑘)
‖𝑥(𝑘)‖2

Et une version modifiée de l’algorithme NLMS (parfois appelé ε-NLMS) est donnée par :
µ (3.08)
𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝑒(𝑘)𝑥(𝑘)
𝜀 + ‖𝑥(𝑘)‖2

Où µ et ε sont des constantes utilisées respectivement pour converger vers le poids optimal et pour
contrôler l’instabilité de la mise à jour des poids.

Le Tableau 3.01 suivant résume la mise à jour de poids de l’algorithme LMS et de ses variants.

Algorithme Récurrence

LMS avec pas constante 𝑤(𝑘 + 1) = 𝑤(𝑘) + 𝜇𝑒(𝑘)𝑥(𝑘)

LMS avec pas variable 𝑤(𝑘 + 1) = 𝑤(𝑘) + 𝜇(𝑘)𝑒(𝑘)𝑥(𝑘)

NLMS µ
𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝑒(𝑘)𝑥(𝑘)
‖𝑥(𝑘)‖2

ε-NLMS µ
𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝑒(𝑘)𝑥(𝑘)
𝜀 + ‖𝑥(𝑘)‖2

Tableau 3.01 : L’algorithme LMS et ses quelques variants

[Link] Algorithme d’inversion de matrice (DMI)

L’algorithme d’inversion directe de la matrice de convergence (DMI pour Direct Matrix Inversion),
aussi connue dans la littérature par SMI ou Sample Matrix Inversion, s’appuie sur une inversion de
la matrice de covariance 𝑅𝑥𝑥 pour obtenir les pondérations optimales et pour augmenter la vitesse
de convergence. La solution optimale est donnée par l’équation :

𝑤𝑜𝑝𝑡 = 𝑅𝑥𝑥 −1 𝑟𝑥𝑑 (3.01)

L’algorithme DMI est une méthode par bloc qui exige un signal de référence comme illustré sur la

59
Figure 3.06.

Figure 3.06 : SMI Adaptatif de formation de faisceaux

Nous pouvons diviser la séquence de vecteurs de signaux reçus en un bloc de données continu en
unités de plusieurs longueurs d’échantillons. En supposant que la longueur de l’échantillon de
chaque bloc de données est N, la séquence du signal reçu dans le premier bloc de données est la
suivante (𝑥(1), 𝑥(2), … , 𝑥(𝑁) ) et dans le (k+1)ième bloc c’est (𝑥(𝑘𝑁 + 1), 𝑥(𝑘𝑁 +
2), … , 𝑥(𝑘𝑁 + 𝑁) ).

𝑥1 (1 + 𝑘𝑁) 𝑥1 (2 + 𝑘𝑁) … 𝑥1 (𝑁 + 𝑘𝑁)

𝑥 (1 + 𝑘𝑁) 𝑥2 (2 + 𝑘𝑁) … 𝑥2 (𝑁 + 𝑘𝑁)
𝑋𝑘 (𝑘) = [ 2 ]
⋮ ⋮ ⋮ (3.02)
𝑥𝑀 (1 + 𝑘𝑁) 𝑥𝑀 (2 + 𝑘𝑁) … 𝑥𝑀 (𝑁 + 𝑘𝑁)

Avec k le numéro de bloc et N sa taille. Le matrice 𝑅𝑥𝑥 est estimé dans un intervalle de temps fini :
𝑁
1
𝑅̂𝑥𝑥 (𝑘) = ∑ 𝑥(𝑖 + 𝑘𝑁). 𝑥 𝐻 (𝑖 + 𝑘𝑁) (3.03)
𝑁
𝑘=1

De plus, le vecteur de signal désiré peut être définie par :

𝑑(𝑘) = [𝑑(1 + 𝑘𝑁) 𝑑(2 + 𝑘𝑁) … 𝑑(𝑁 + 𝑘𝑁)] (3.04)

Ainsi le vecteur 𝑟𝑥𝑑 est estimé par :

𝑁
1
𝑟̂𝑥𝑑 (k) = ∑ 𝑑 ∗ (𝑖 + 𝑘𝑁). 𝑥(𝑖 + 𝑘𝑁) (3.05)
𝑁
𝑘=1

Les pondérations sont calculées périodiquement et la pondération au kième bloc de longueur N est :

60
 −1 (3.06)
𝑤𝐷𝑀𝐼 (𝑘) = 𝑅̂𝑥𝑥 (𝑘). 𝑟̂𝑥𝑑 (𝑘)

𝑤𝐷𝑀𝐼 (𝑘) = [𝑋𝑘 (𝑘)𝑋𝑘 𝐻 (𝑘)]−1 𝑋𝑘 (𝑘)𝑑 ∗ (𝑘) (3.07)

[Link] Algorithme des moindres carrés récursifs (RLS)

Contrairement à l’algorithme de LMS qui utilise la méthode des gradients pour mettre à jour les
poids, l’algorithme de moindre carré récursif (RLS ou Récursive Least Squares, en anglais) utilise
la méthode des moindres carrés pour ajuster le vecteur des poids. L’estimation récursive consiste à
calculer, à chaque instant k, le vecteur de pondération recherché w(k) en fonction des poids estimés
w(k-1) et des nouvelles informations acquises.

Le problème de l’influence des valeurs propres sur les caractéristiques de convergence de

l’algorithme LMS est résolu par l’algorithme RLS, dans lequel le pas de variation du gradient est
remplacé par une matrice de gain 𝑅̂𝑥𝑥 à chaque itération, en appliquant un fenêtrage pour estimer la
matrice de covariance 𝑅𝑥𝑥 et 𝑟𝑥𝑑 . La méthode RLS estime ces dernières en utilisant une somme
pondérée :

𝑅̂𝑥𝑥 (𝑘) = ∑𝑘𝑖=1 𝛾 𝑘−𝑖 𝑥(𝑖). 𝑥 𝐻 (𝑖) (3.01)

𝑟̂𝑥𝑑 (𝑘) = ∑𝑘𝑖=1 𝛾 𝑘−𝑖 𝑑∗ (𝑖). 𝑥(𝑖) (3.02)

Où 0 < 𝛾 < 1, est appelé facteur d’oubli, car il permet d’ajouter plus d’importance aux échantillons
les plus récents et d’oublier les échantillons plus lointains. Prendre 𝛾 = 1 revient à l’algorithme
LMS. Ce facteur d’oubli 𝛾 est aussi parfois appelé facteur de pondération exponentielle.

En développant les équations précédentes, nous obtenant la relation de récurrence :

𝑅̂𝑥𝑥 (𝑘) = 𝛾𝑅̂𝑥𝑥 (𝑘 − 1) + 𝑥(𝑘). 𝑥 𝐻 (𝑘) (3.03)

𝑟̂𝑥𝑑 (𝑘) = 𝛾𝑟̂𝑥𝑑 (𝑘 − 1) + 𝑑 ∗ (𝑘). 𝑥(𝑘) (3.04)

Il reste maintenant à déterminer l’inverse de la matrice de covariance, par le théorème de Sherman

Morrison-Woodbury (SMW), que l’on obtient par la relation de récurrence :
−1 −1 (3.05)
𝑅𝑥𝑥 −1 (𝑘) = 𝛾 −1 [𝑅̂𝑥𝑥 (𝑘 − 1) − 𝑞(𝑘). 𝑥 𝐻 (𝑘). 𝑅̂𝑥𝑥 (𝑘 − 1)]

−1
𝛾 −1 𝑅̂𝑥𝑥 (𝑘−1)𝑥(𝑘)
Avec le facteur 𝑞(𝑘) = −1
1+ 𝛾−1 𝑥 𝐻 (𝑘)𝑅̂𝑥𝑥 (𝑘−1)𝑥(𝑘)

L’équation 3.53 est connue sous le nom de l’équation de Riccati de la méthode RLS. On peut

61
réarranger le facteur q(k) en multipliant par le dénominateur dans les deux membres :
−1 −1 (3.06)
𝑞(𝑘) = 𝛾 −1 𝑅̂𝑥𝑥 (𝑘 − 1). 𝑥(𝑘) − 𝑞(𝑘). 𝛾 −1 . 𝑥 𝐻 (𝑘). 𝑅̂𝑥𝑥 (𝑘 − 1). 𝑥(𝑘)
−1 −1 (3.07)
𝑞(𝑘) = 𝛾 −1 [𝑅̂𝑥𝑥 (𝑘 − 1) − 𝑞(𝑘). 𝑥 𝐻 (𝑘). 𝑅̂𝑥𝑥 (𝑘 − 1)] . 𝑥(𝑘)

𝑞(𝑘) = 𝑅𝑥𝑥 −1 (𝑘). 𝑥(𝑘) (3.08)

Dans cet algorithme, les coefficients de pondération sont mis à jour par l’équation :

𝑤(𝑘) = 𝑅̂𝑥𝑥 (𝑘)−1 𝑟̂𝑥𝑑 (𝑘) (3.09)

En substituant 𝑟̂𝑥𝑑 (𝑘) par l’équation 3.52 :

𝑤(𝑘) = 𝑅̂𝑥𝑥 (𝑘)−1 𝛾𝑟̂𝑥𝑑 (𝑘 − 1) + 𝑅̂𝑥𝑥 (𝑘)−1 𝑑 ∗ (𝑘). 𝑥(𝑘) (3.10)

En substituant maintenant la première matrice de corrélation inverse de l’équation 3.58 précédente :

−1 −1 (3.11)
𝑤(𝑘) = [𝑅̂𝑥𝑥 (𝑘 − 1) − 𝑞(𝑘). 𝑥 𝐻 (𝑘). 𝑅̂𝑥𝑥 (𝑘 − 1)] 𝑟̂𝑥𝑑 (𝑘 − 1) +

𝑅̂𝑥𝑥 (𝑘)−1 𝑑 ∗ (𝑘). 𝑥(𝑘)

−1 −1 (3.12)
𝑤(𝑘) = 𝑅̂𝑥𝑥 (𝑘 − 1) 𝑟̂𝑥𝑑 (𝑘 − 1) − 𝑞(𝑘). 𝑥 𝐻 (𝑘). 𝑅̂𝑥𝑥 (𝑘 − 1) 𝑟̂𝑥𝑑 (𝑘 − 1) +
𝑅̂𝑥𝑥 (𝑘)−1 𝑑 ∗ (𝑘). 𝑥(𝑘)

𝑤(𝑘) = 𝑤(𝑘 − 1) − 𝑞(𝑘). 𝑥 𝐻 (𝑘). 𝑤(𝑘 − 1) + 𝑅̂𝑥𝑥 (𝑘)−1 𝑑 ∗ (𝑘). 𝑥(𝑘) (3.13)

En substituant finalement l’équation 3.28 dans 3.33 :

𝑤(𝑘) = 𝑤(𝑘 − 1) − 𝑞(𝑘). 𝑥 𝐻 (𝑘). 𝑤(𝑘 − 1) + 𝑞(𝑘). 𝑑 ∗ (𝑘) (3.14)

𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝑞(𝑘)[ 𝑑∗ (𝑘) − 𝑥 𝐻 (𝑘). 𝑤(𝑘 − 1)] (3.15)

𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝑞(𝑘) 𝑒 ∗ (𝑘) (3.16)

Ainsi on remarque que cette équation 3.64 a une forme identique à l’équation 3.32 mais avec e(k)
comme erreur à priori c’est-à-dire l’erreur estimée à l’instant « k » sur la base de vecteur de poids
« w(k-1) » prise à l’instant « k-1 ». Toutefois, l’implémentation du RLS est plus complexe et aussi
plus coûteuse à cause de sa matrice de covariance qui exige un grand nombre d’opérations
arithmétiques.

[Link] Algorithme du gradient conjugué (CGM)

Le problème de la méthode de gradient est la sensibilité des taux de convergence à l’étalement des
valeurs propres de la matrice de corrélation. Des écarts plus importants entraînent des convergences

62
plus lentes. Le taux de convergence peut être accéléré par l’utilisation de la méthode du gradient
conjugué (CGM). L’objectif de l’algorithme du gradient conjugué est de rechercher itérativement
la solution optimale en choisissant des chemins conjugués (perpendiculaires) à chaque nouvelle
itération. Dans ce contexte, la conjugaison signifie orthogonal.

Le CGM est une méthode itérative dont l’objectif est de minimiser la fonction de coût quadratique :

1 𝐻
𝐽(𝑤) = 𝑤 𝑋𝑘 𝑤 − 𝑑 𝐻 𝑤 (3.01)
2
𝑥1 (1) 𝑥2 (1) ⋯ 𝑥𝑀 (1)
𝑥 (2) 𝑥2 (2) ⋯ ⋮
Avec 𝑋𝑘 = [ 1 ]
⋮ ⋮ ⋱ ⋮
𝑥1 (𝐾) 𝑥2 (𝐾) ⋯ 𝑥𝑀 (𝐾)

Nous pouvons prendre le gradient de la fonction de coût et le fixer à zéro afin de trouver le minimum.
On peut montrer que :

∇(𝐽(𝑤)) = 𝑋𝑘 𝑤 − 𝑑 (3.02)

Comme l’algorithme SMI, l’algorithme CG doit également diviser les signaux reçus en blocs de
données et générer un vecteur de poids dans chaque bloc de données. La différence est qu’il utilise
la méthode du « steepest descent » afin d’itérer pour minimiser la fonction coût, similaire à celle de
l’algorithme LMS.

Nous pouvons commencer par une estimation initiale des poids 𝑤(1) et trouver le résidu 𝑟(1)
donné comme suit :
r(1) = −𝐽′(𝑤(1)) = 𝐷 − 𝑋𝑘 𝑤(1) (3.03)

Nous pouvons ensuite choisir un vecteur de directeur D qui nous donne la nouvelle direction
conjuguée pour itérer vers le poids optimal.

𝐷(1) = 𝑋𝑘𝐻 𝑟(1) (3.04)

L’équation générale de mise à jour des poids est alors donnée par :

𝑤(𝑘 + 1) = 𝑤(𝑘) − µ(k). 𝐷(𝑘) (3.05)

Où le pas d’adaptation est défini par

𝑟 𝐻 (𝑘)𝑋𝑘 𝑋𝑘𝐻 𝑟(𝑘)

µ(k) = 𝐻 (3.06)
𝐷 (𝑘)𝑋𝑘𝐻 𝑋𝑘 𝐷(𝑘)
Le poids à jour, nous pouvons maintenant mettre à jour le résidu et le vecteur de direction. Nous

63
pouvons multiplier l’équation 3.69 par −𝑋𝑘 puis ajouter D pour obtenir :

𝑟(𝑘 + 1) = 𝑟(𝑘) + µ(k)𝑋𝑘 𝐷(𝑘) (3.07)

Quant au vecteur directeur D, sa mise à jour est donnée par :

𝐷(𝑘 + 1) = 𝑋𝑘𝐻 𝑟(𝑘 + 1) − 𝛼(k)𝐷(𝑘) (3.08)

Où :

𝑟 𝐻 (𝑘 + 1)𝑋𝑘 𝑋𝑘𝐻 𝑟(𝑘 + 1)

𝛼(k) = (3.09)
𝑟 𝐻 (𝑘)𝑋𝑘 𝑋𝑘𝐻 𝑟(𝑘)

Ainsi, la procédure d’utilisation du CGM consiste à trouver le résidu et les poids correspondants et
à mettre à jour jusqu’à ce que la convergence soit satisfaite. Il a été démontrer que la vraie solution
peut être trouvée en K itérations au maximum. Cette condition est connue sous le nom de
convergence quadratique.

3.3.2 Algorithmes adaptatifs aveugles

Les algorithmes adaptatifs détaillés précédemment sont basés sur la minimisation de l’erreur entre
un signal de référence et la sortie du réseau. Dans le cas où un signal de référence n’est pas connu,
il faut recourir aux algorithmes adaptatifs dits « aveugles ».

[Link] Algorithme de Godard

Les algorithmes les plus largement utilisés dans les applications pratiques d’égalisation aveugle ont
été développés par Dominique Godard en 1980 pour les constellations des signaux QAM
(Quadrature Amplitude Modulation). En effet, il a été le premier à exploiter la propriété du module
constant (CM) afin de créer une famille d’algorithmes d’égalisation aveugle [39]. Il a utilisé une
fonction de coût appelée fonction de dispersion d’ordre p où, après minimisation, des poids
optimaux sont calculés. Cette fonction coût de Godard est donnée par [40] :
𝑞
𝐽(𝑘) = 𝐸[(|𝑦(𝑘)|𝑝 − 𝑅𝑝 ) ] (3.01)

Où p et q sont des entiers positifs et 𝑅𝑝 une constante réelle positive.

Il a été démontrer que le gradient de la fonction de coût est nul lorsque la constante de Godard 𝑅𝑝
équivaut à :
𝐸[|𝑠(𝑘)|2𝑝 ]
𝑅𝑝 = (3.02)
𝐸[|𝑠(𝑘)|𝑝 ]
Où s(k) est l’estimation sans mémoire de y(k).

64
La famille d’algorithmes Godard du gradient stochastique est décrite par [41] :

𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝜇 𝑥(𝑘)𝑒 ∗ (𝑘) (3.03)

𝑒(𝑘) = y(k)|𝑦(𝑘)|𝑝−2 (𝑅𝑝 − |𝑦(𝑘)|𝑝 ) (3.04)

[Link] Algorithmes à module constant (CMA)

De nombreux signaux de communication sans fil et de radar sont des signaux modulés en fréquence
ou en phase. Dans ce cas, l’amplitude du signal devrait idéalement être constante et on dit donc que
le signal a une magnitude ou un module constant. Cependant, l’enveloppe constante peut être
déformée lors de la transmission du signal dans le canal de communication. Le canal introduit donc
une variation d’amplitude sur la magnitude du signal.

L’algorithme du module constant (CMA ou Constant Modulus Algorithm) permet d’ajuster le

vecteur de poids du réseau pour minimiser la variation de cette enveloppe à la sortie du réseau. Ainsi
en forçant le signal reçu pour avoir une amplitude constante, CMA arrive à récupérer le signal désiré.
L’équation de mise à jour du poids est similaire à l’algorithme LMS, mais avec un signal d’erreur
différent donné par l’équation 3.77.

Comme la précision des mises à jour des coefficients de l’égaliseur diminue quand p augmente,
Godard a décidé de se limiter seulement à deux cas : p = 1 et p = 2 ensuite il a montré qu’avec le
cas ou p = 2 l’algorithme converge plus rapidement et s’est finalement fixé sur ce cas pour donner
l’algorithme CMA.

Les cas où p = 1 | 2, p = 2, montrer dans le Tableau 3.02, sont alors appelés algorithmes à module
constant (CMA) [42].

Ordre p=1 p=2

Fonction coût 𝐽(𝑘) = 𝐸[(|𝑦(𝑘)| − 𝑅1 )2 ] 𝐽(𝑘) = 𝐸[(|𝑦(𝑘)|2 − 𝑅2 )2 ]

Constante de 𝐸[|𝑠(𝑘)|2 ] 𝐸[|𝑠(𝑘)|4 ]

𝑅1 = 𝑅2 =
Godard 𝐸[|𝑠(𝑘)|] 𝐸[|𝑠(𝑘)|2 ]

Signal erreur y(k)|𝑦(𝑘)|−1 (𝑅1 − |𝑦(𝑘)|) 𝑒(𝑘) = y(k)(𝑅2 − |𝑦(𝑘)|2 )

Mise à jour 𝑤(𝑘 + 1) = 𝑤(𝑘) + 𝜇 𝑥(𝑘)𝑒 ∗ (𝑘) 𝑤(𝑘 + 1) = 𝑤(𝑘) + 𝜇 𝑥(𝑘)𝑒 ∗ (𝑘)
du poids

Tableau 3.02 : Algorithme à module constant (CMA)

65
[Link] CMA à base des moindres carrés (LS-CMA)
a. LS-CMA statique

L’un des inconvénients majeurs de l’algorithme CMA de Godard est la lenteur du temps de
convergence. La lenteur de convergence limite l’utilisation de l’algorithme dans les environnements
dynamiques où le signal doit être capturé rapidement ou encore lorsque les conditions du canal
changent rapidement.

La méthode CMA précédente est basée sur la méthode de la descente de gradient en prenant le
gradient de la fonction de coût de Godard. Un algorithme plus rapide a été développé par Agee [40]
en utilisant la méthode des moindres carrés non linéaires (Méthode de Gauss). Cette méthode est
appelée algorithme LS-CMA (Least Square Constant Modulus Algorithm) et est également connue
sous le nom d’un estimateur autorégressif basé sur une minimisation des moindres carrés [42]. Dans
la méthode des moindres carrés, on définit une fonction de coût qui est la somme pondérée des
carrés d’erreur. Cette fonction de coût est définie par :
𝐾

𝐽(𝑤) = ∑|𝑒𝑘 (𝑤)|2 = ‖𝑒(𝑤)‖22 (3.01)

𝑘=1

𝑒(𝑤) = [𝑒1 (𝑤), 𝑒2 (𝑤), … , 𝑒𝑘 (𝑤)]𝑇

Où 𝑒𝑘 (𝑤) est l’erreur du kième échantillon de donné et K le nombre d’échantillon dans un block.

L’équation 3.79 suivante a un développement partiel en série de Taylor avec une forme de somme
des carrés donnée par :
𝐽(𝑤 + 𝛥) ≈ ‖𝑒(𝑤) + 𝐷𝐻 (𝑤)𝛥‖22 (3.02)

Où 𝛥 est un vecteur de compensation, et D(w) le complexe de Jacobi de e(w) est défini par :

𝐷(𝑤) ≈ [∇𝑒1 (𝑤), ∇𝑒2 (𝑤), … , ∇𝑒𝑁 (𝑤)] (3.03)

Nous souhaitons trouver le décalage qui minimise la somme des erreurs quadratiques. En prenant le
gradient de la fonction de coût de 3.79 et en le fixant à zéro, on a :

∇[𝐽(𝑤 + 𝛥)] = 2(𝐷(𝑤)𝑒(𝑤) + 𝐷(𝑤)𝐷𝐻 (𝑤)𝛥) = 0 (3.04)

𝛥 = −[𝐷(𝑤)𝐷𝐻 (𝑤)]−1 𝐷(𝑤)𝑒(𝑤) (3.05)

Par conséquent, le vecteur de poids peut être mis à jour par :

66
 −1 (3.06)
𝑤(𝑙 + 1) = 𝑤(𝑙) − [𝐷(𝑤(𝑙))𝐷𝐻 (𝑤(𝑙))] 𝐷(𝑤(𝑙))𝑒(𝑤(𝑙))

Ainsi, le vecteur de poids est ajusté par le décalage 𝛥.

On applique maintenant la méthode des moindres carrés à l’algorithme CMA en utilisant la fonction
de coût, ce qui donne l’égalité suivante :
𝐾 𝐾
2
𝐽(𝑤) = ∑|𝑒𝑘 (𝑤)|2 = ∑||𝑦(𝑘)| − 1| (3.07)
𝑘=1 𝑘=1

Ainsi par identification, on a 𝑒𝑘 (𝑤) = |𝑦(𝑘)| − 1 = |𝑤 𝐻 𝑥(𝑘)| − 1 et le vecteur e(w) peut alors
s’écrire :

𝑒(𝑤) = [|𝑦(1)| − 1, |𝑦(2)| − 1, … , |𝑦(𝐾)| − 1]𝑇 (3.08)

En substituant 3.84 dans 3.79, le Jacobi du vecteur erreur devient :

𝑦 ∗ (1) 𝑦 ∗ (2) 𝑦 ∗ (𝐾) (3.09)

𝐷(𝑤) = [𝑥(1) , 𝑥(2) , … , 𝑥(𝐾) ] = 𝑋𝑌𝐶𝑀
|𝑦(1)| |𝑦(2)| |𝑦(𝐾)|

𝑦 ∗ (1)
|𝑦(1)|
0 … 0
𝑦 ∗ (2)
0 … 0
Avec 𝑋 = [𝑥(1), 𝑥(2), … , 𝑥(𝑘)] et 𝑌𝐶𝑀 = |𝑦(2)|

⋮ ⋮ ⋱ ⋮
𝑦 ∗ (𝐾)
[ 0 0 … |𝑦(𝐾)|]

En multipliant le jacobien par sa transposée hermitienne, on obtient :

𝐷(𝑤)𝐷𝐻 (𝑤) = 𝑋𝑌𝐶𝑀 𝑌𝐶𝑀 𝐻 𝑋 𝐻 = 𝑋𝑋 𝐻 (3.10)

En multipliant le jacobien par la matrice de l’erreur, on obtient :

𝑦 ∗ (1)
∗ (1)
𝑦 −
|𝑦(1)|
|𝑦(1)| − 1
∗ (2)
𝑦 ∗ (2)
|𝑦(2)| − 1
𝐷(𝑤)𝑒(𝑤) = 𝑋𝑌𝐶𝑀 [ ]= 𝑋 𝑦 −
|𝑦(2)| = 𝑋(𝑦 − 𝑟)
∗
(3.11)
⋮
|𝑦(𝐾)| − 1 ⋮
∗ (𝐾)
𝑦 ∗ (𝐾)
𝑦 −
[ |𝑦(𝐾)|]

𝑦(1) 𝑦(2) 𝑦(𝐾) 𝑇

Avec 𝑦 = [𝑦(1), 𝑦(2), … , 𝑦(𝐾)]𝑇 et 𝑟 = [|𝑦(1)| , |𝑦(2)|
, … , |𝑦(𝐾)|
]

Enfin, en substituant 3.87 et 3.88 dans 3.83, nous obtenons :

67
 𝑤(𝑙 + 1) = 𝑤(𝑙) − [𝑋𝑋 𝐻 ]−1 𝑋(𝑦(𝑙) − 𝑟(𝑙))∗ (3.12)

𝑤(𝑙 + 1) = 𝑤(𝑙) − [𝑋𝑋 𝐻 ]−1 𝑋(𝑤 𝐻 (𝑙)𝑋 − 𝑟(𝑙))∗ (3.13)

𝑤(𝑙 + 1) = 𝑤(𝑙) − [𝑋𝑋 𝐻 ]−1 𝑋𝑋 𝐻 𝑤(𝑙) + [𝑋𝑋 𝐻 ]−1 𝑋𝑟 ∗ (𝑙) (3.14)

𝑤(𝑙 + 1) = [𝑋𝑋 𝐻 ]−1 𝑋𝑟 ∗ (𝑙) (3.15)

𝐻
𝑤 𝐻 (𝑙)𝑥(1) 𝑤 𝐻 (𝑙)𝑥(2) 𝑤 𝐻 (𝑙)𝑥(𝐾)
Avec 𝑟 ∗ (𝑙) = [|𝑤𝐻 (𝑙)𝑥(1)| , |𝑤 𝐻 (𝑙)𝑥(2)|
, … , |𝑤𝐻 (𝑙)𝑥(𝐾)|]

Bien qu’un seul bloc de données soit utilisé pour mettre en œuvre le LS-CMA, l’algorithme
itère sur k valeurs jusqu’à convergence. Les poids initiaux sont choisis w(1), le vecteur de données
de sortie limitée au complexe est calculé r(1), puis le poids suivant est calculé w(2), et l’itération se
poursuit jusqu’à ce qu’une convergence satisfaisante soit obtenue. C’est ce qu’on appelle
l’algorithme statique LS-CMA statique, car un seul bloc statique, de longueur K, est utilisé pour le
processus d’itération. L’algorithme LS-CMA présente une ressemblance avec l’algorithme SMI de
l’équation 3.48.

b. LS-CMA dynamique

L’algorithme statique LS-CMA précédente a calculé les poids simplement sur la base d’un bloc fixe
de données échantillonnées. Afin de maintenir une adaptation à jour dans un environnement de
signal dynamique, il est préférable de mettre à jour les blocs de données à chaque itération. D’où le
LS-CMA dynamique qui est une modification de la version statique précédente.

Définissons un bloc dynamique de données comme entrée du réseau avant l’application des poids.
Pour la nième itération, le nième bloc de longueur K est donné comme suit :

𝑋(𝑛) = [𝑥(1 + 𝑛𝐾) , 𝑥(2 + 𝑛𝐾) , … , 𝑥(𝑘 + 𝑛𝐾)]

(3.01)
La sortie pondérée du réseau pour la nième itération, est maintenant définie comme suit :

𝑌(𝑛) = [𝑦(1 + 𝑛𝐾) , 𝑦(2 + 𝑛𝐾) , … , 𝑥(𝑘 + 𝑛𝐾)]𝑇 = [𝑤 𝐻 (𝑛)𝑋(𝑛)]𝑇

(3.02)
Le vecteur de données de sortie limité complexe est donné comme suit :
𝑇
𝑦(1 + 𝑛𝐾) 𝑦(2 + 𝑛𝐾) 𝑦(𝐾 + 𝑛𝐾)
𝑟(𝑛) = [ , ,…, ] (3.03)
|𝑦(1 + 𝑛𝐾)| |𝑦(2 + 𝑛𝐾)| |𝑦(𝐾 + 𝑛𝐾)|

En remplaçant l’équation 3.92 par la version dynamique, nous avons :

𝑤(𝑛 + 1) = [𝑋(𝑛)𝑋 𝐻 (𝑛)]−1 𝑋(𝑛)𝑟 ∗ (𝑛) (3.04)

68
Où :
𝐻
∗ (𝑛)
𝑤 𝐻 (𝑛)𝑥(1 + 𝑛𝐾) 𝑤 𝐻 (𝑛)𝑥(2 + 𝑛𝐾) 𝑤 𝐻 (𝑛)𝑥(𝐾 + 𝑛𝐾)
𝑟 = [ 𝐻 , 𝐻 ,…, 𝐻 ] (3.05)
|𝑤 (𝑛)𝑥(1 + 𝑛𝐾)| |𝑤 (𝑛)𝑥(2 + 𝑛𝐾)| |𝑤 (𝑛)𝑥(𝐾 + 𝑛𝐾)|

Nous pouvons simplifier davantage l’équation (8.113) en définissant la matrice de corrélation du

réseau et le vecteur de corrélation en tant que :

𝑋(𝑛)𝑋 𝐻 (𝑛) (3.06)

𝑅̂𝑥𝑥 (𝑛) =
𝐾
𝑋(𝑛)𝑟 ∗ (𝑛) (3.07)
𝑝̂𝑥𝑟 (𝑛) =
𝐾
L’algorithme du LS-CMA dynamique est finalement définie par :
−1 (3.08)
𝑤(𝑛 + 1) = 𝑅̂𝑥𝑥 (𝑛) 𝑝̂𝑥𝑟 (𝑛)
3.4 Tableau comparatif

Le Tableau 3.03 est à la fois un tableau comparatif et récapitulatif des différents algorithmes
adaptatifs :

Algorithme Équations de pondérations Avantages Inconvénients

Gradient 𝑤(𝑘 + 1) = 𝑤(𝑘) + 2𝜇 𝑥(𝑘)𝑒 ∗ (𝑘) Converge toujours Exige un signal

de référence
stochastique Avec

(LMS) 𝑒(𝑘) = 𝑑(𝑘) − 𝑤 𝐻 𝑥(𝑘)

Gradient 𝑤(𝑘) = 𝑤(𝑘 − 1) Converge mieux Exige un signal

µ que LMS de référence
stochastique + 𝑒(𝑘)𝑥(𝑘)
𝜀 + ‖𝑥(𝑘)‖2
Plus complexe
normalisé
que LMS
(NLMS)

Moindre 𝑤(𝑘) = 𝑤(𝑘 − 1) Toujours Exige un signal

carré + 𝑅𝑥𝑥 −1 (𝑘). 𝑥(𝑘). 𝑒 ∗ (𝑘) convergent, 10× de référence et

plus rapide que une initial
récursif Avec
LMS estimation de
(RLS) 𝑒 ∗ (𝑘) = 𝑑 ∗ (𝑘) − 𝑥 𝐻 (𝑘). 𝑤(𝑘 − 1)
𝑅𝑥𝑥 −1

69
 𝑞(𝑘) Cout de calcul
−1 plus élevé que
𝛾 −1 𝑅̂𝑥𝑥 (𝑘 − 1)𝑥(𝑘)
= −1
1 + 𝛾 −1 𝑥 𝐻 (𝑘)𝑅̂𝑥𝑥 (𝑘 − 1)𝑥(𝑘) celui du LMS

−1
𝑅𝑥𝑥 −1 (𝑘) = 𝛾 −1 [𝑅̂𝑥𝑥 (𝑘 − 1)
−1
− 𝑞(𝑘). 𝑥 𝐻 (𝑘). 𝑅̂𝑥𝑥 (𝑘 − 1)]

Gradient 𝑤(𝑘 + 1) = 𝑤(𝑘) − µ(k). 𝐷(𝑘) Complexité de Complexité du

calcul réduite. calcul
Conjugué Avec

(CGM) 𝑟 𝐻 (𝑘)𝑋𝑘 𝑋𝑘𝐻 𝑟(𝑘) Sa vitesse de Dépendance à la

µ(k) = 𝐻
𝐷 (𝑘)𝑋𝑘𝐻 𝑋𝑘 𝐷(𝑘) convergence matrice de
rapide. covariance

Inversion 𝑤(𝑘) = [𝑋𝑘 (𝑘)𝑋𝑘 𝐻 (𝑘)]−1 𝑋𝑘 (𝑘)𝑑 ∗ (𝑘) Taux de Sensibilité à la

convergence dimension de la
directe
rapide matrice

de matrice

(DMI)

Module 𝑤(𝑘) = 𝑤(𝑘 − 1) + 𝜇 𝑥(𝑘)𝑒 ∗ (𝑘) N’exige pas un Sensibilité du

signal de pas
constant Avec
référence. d’adaptation.
(CMA) 𝑒(𝑘) = y(k)(1 − |𝑦(𝑘)|2 )
Facilité Convergence
d’implémentation. vers le minimum
local.

Ne pas converge
pas
théoriquement.

70
 Module Statique : Converge 100 fois Sensibilité à la
constant à plus rapidement structure du
𝑤(𝑘 + 1) = [𝑋𝑋 𝐻 ]−1 𝑋𝑟 ∗ (𝑘)
base des que le CMA signal
Dynamique :
moindres
−1
carrés 𝑤(𝑛 + 1) = 𝑅̂𝑥𝑥 (𝑛) 𝑝̂𝑥𝑟 (𝑛)

(LS-CMA)

Tableau 3.03 : Comparaison des différents algorithmes adaptatifs

3.5 Conclusion

En résumé, pour adapter le diagramme de rayonnement, en orientant les faisceaux dans les directions
des utilisateurs souhaités et les nuls dans la direction des interférents, les signaux captés par le réseau
sont combinés avec des coefficients de pondération. Ces coefficients sont déterminés grâce à
plusieurs algorithmes adaptatifs (aveugles et non aveugles) qui se diffèrent dans la manière de
calculer les pondérations optimales.

Les algorithmes adaptatifs non aveugles comme l’algorithme LMS et ses variants sont caractérisés
par un taux de convergence lent. Les algorithmes comme SMI et RLS possèdent un taux de
convergence plus rapide, cependant leur implémentation est plus complexe. De même, l’algorithme
GC est très intéressant, d’une part parce qu’elle ne nécessite que le stockage de très peu
d’information, et d’autre part par sa vitesse de convergence très supérieure à celle des algorithmes
de gradient classiques. Les algorithmes aveugles, comme ceux basés sur CMA, ont pour avantage
de s’affranchir de la connaissance d’un signal de référence.

71
 CHAPITRE 4
SIMULATION ET COMPARAISON DES DIFFERENTS ALGORITHMES

4.1 Introduction

Les chapitres précédents ont été choisis et développés pour aboutir à cette partie qui traite l’analyse
des performances des algorithmes adaptatifs utilisées dans les antennes intelligentes.

Dans ce chapitre nous allons utiliser le logiciel MATLAB pour simuler, comparer et analyser les
différents algorithmes vus précédemment. Donc avant tout, commençons par une brève présentation
de notre outil de simulation qui est MATLAB.

4.2 Présentation du logiciel MATLAB

MATLAB est une plateforme de calcul numérique et de programmation utilisée par des millions
d’ingénieurs et de scientifiques pour analyser des données, développer des algorithmes et créer des
modèles. Le logiciel couvre différents domaines comme la télécommunication, la robotique,
l’intelligence artificielle, les imageries et beaucoup d’autres. Il a été publié par la société américaine
MathWorks et est disponible sur plusieurs plateformes [43].

Figure 4.01 : Splash screen de MATLAB

En plus du programme principal de MATLAB, lors de l'installation, vous avez accès à d'autres
applications annexes telles que Simulink et Polyspace. Simulink est un environnement de
modélisation fonctionnelle utilisé pour concevoir des systèmes à l'aide de modèles multidomaines,
tandis que Polyspace est une suite d'outils qui effectue une analyse statique de code source afin de
détecter d'éventuelles erreurs.

72
 Figure 4.02 : Interface de navigation principale pour la documentation de matlab

4.2.1 Langage MATLAB

MATLAB est un environnement de programmation interactif qui utilise un langage simple et très
efficace, optimisé pour le traitement des matrices, d’où son nom (« MATrix LABoratory »).

La mise en œuvre des divers algorithmes adaptatifs utilise principalement l’arithmétique de base,
mais en raison de la nature complexe des facteurs de pondération, il aurait été plus difficile de la
mettre en œuvre dans un autre langage.

Figure 4.03 : Interface principale de MATLAB

On peut remarquer dans l’interface présentée dans la Figure 4.03 ci-dessus, la présence d’une
fenêtre de commande permettant d’exécuter directement les instructions. Mais on a aussi la

73
possibilité de créer des scripts contenus dans des fichiers .m et de les exécutés ensuite via la fenêtre
de commande ou bien dans l’onglet éditeur de MATLAB.

4.2.2 Interface graphique

MATLAB contient également une interface graphique puissante. Un autre avantage de MATLAB
est sa capacité à créer des graphiques et des images précises des données calculées, ce qui nous
permet de tirer rapidement des conclusions sur les données de notre simulation.

Étant donné que la simulation comporte de nombreuses variables qui affectent le résultat, une
interface utilisateur (GUI) sera conçue pour contrôler entièrement l’entrée de données telles que le
nombre d’éléments d’antenne, la taille du pas d’adaptation, la fréquence du signal désiré, etc.

MATLAB offre pour cela aux utilisateurs deux environnements de développement interactifs pour
la création d’applications : App Designer et GUIDE (GUI Design Environment) [43]. Comme App
Designer est l’environnement recommandé pour la création d’applications dans MATLAB, et que
GUIDE sera supprimé dans une prochaine version de MATLAB, nous utiliserons la première.

Figure 4.04 : Interface de l’environnement de développement de « App designer »

4.3 Simulation et analyse des performances des algorithmes adaptatifs

Dans cette partie concernant la simulation des algorithmes du beamforming, nous allons faire une
étude de performance d’un algorithme adaptatif en passant au crible un algorithme spécifique pour

74
detailler les étapes de notre simulation puis faire une étude comparative entre les différents
algorithmes aveugles et non aveugles en analysant les résultats selon des critères bien déterminés.

4.3.1 Présentation du modèle de simulation

Notre modèle de simulation sera composé d’un réseau linéaire uniforme (ULA) de M éléments,
𝜆 𝜋
espacé d’une distance 𝑑 = 2, où un signal désiré arrive à l’angle 𝜃 = 6 et un signal interférent arrive
𝜋
à l’angle 𝜃𝑖 = − 3 .

Soit le vecteur du signal reçu défini par les modèles de signaux à bande étroite de l’équation 2.29,
par : 𝑥(𝑡) = 𝑎(𝜃) . 𝑠(𝑡) + 𝑏(𝑡). Avec 𝑑(𝑡) le signal désiré dont l’amplitude varie sinusoïdalement
en fonction du temps : 𝑑(𝑡) = 𝑠(𝑡) = 𝐴. 𝑠𝑖𝑛(𝜔𝑡) et 𝑏(𝑡) le vecteur bruit additif supposé blanc
gaussien (AWGN).

Paramètres Variables Valeurs

Fréquence du signal f 1GHz

Période T 1/f
Vitesse de la lumière c 3e8 m/s
Nombre d’itération K 100
Temps t (1:K)*T/K
Longueur d’onde 𝜆 c/f
Nombre d’onde k 2𝜋/𝜆
Nombre d’antenne M 8
Distance inter-élément d 0.5𝜆
AOA du signal désiré 𝜃 30°
AOA du signal interférent 𝜃_𝑖 -60°
Magnitude A 2
Facteur de bruit fb 0.01

Tableau 4.01 : Tableau des paramètres

4.3.2 Présentation de l’interface de simulation
Pour réaliser les différents scénarios concernant l’étude de performances des différents algorithmes
adaptatifs de beamforming LMS, SMI, CGM, RLS, CMA, et LS-CMA, nous avons pu réaliser une
interface grâce à la fonctionnalité « App designer » de Matlab. La Figure 4.06 nous montre cette

75
interface. Elle est divisée en différentes zones permettant d’entrer les données et de visualiser les
résultats sous forme de graphe.

Figure 4.05 : Accueil de notre interface

Figure 4.06 : Configuration de notre interface

Ainsi, depuis l’interface de notre application, on peut varier un certain nombre de paramètres tels
que le nombre d’antennes du réseau, la distance inter-élément, les angles d’arrivées, le facteur de

76
bruits, et on peut visualiser un certain nombre de résultats comme le diagramme de rayonnement ou
encore l’erreur quadratique.

4.3.3 Organigrammes de simulation

Les étapes suivies pour les parties programmations sont illustrées par l’organigramme présenté sur
la Figure 4.07 suivante.

Figure 4.07 : Organigramme de la simulation

4.3.4 Résultats et analyses
[Link] Analyse de performance
a. La méthode LMS
Dans ce premier scénario, qu’est l’analyse de performance, on fera la mise en œuvre de l’algorithme

77
LMS en se conformant aux formulations théoriques développées dans le chapitre précèdent.

La première étape est de définir les variables que nous avons représentées dans le Tableau 4.01.

Puis la deuxième étape est de générer le signal désiré S et le signal interférent I reçu par l’ULA,
donné par le bloc de code suivante :

Figure 4.08 : Signal désiré et signal interférent

Ensuite la troisième étape consiste à calculer le vecteur directeur (ou steering vector) du signal désiré
en réception et du signal interférent en convertissant d’abord l’angle en radians puis l’adapter au
nombre d’éléments de l’antenne.

Figure 4.09 : Vecteur directeur des signaux reçus

Par la suite, la sortie du réseau, le calcul de l’erreur et la mise à jour des poids seront faits en utilisant
respectivement les équations d’adaptations de l’algorithme LMS vues en 3.22, 3.23 et 3.32. A
chaque itération, l'algorithme exige que x(n), s(n) et w(n) soient connus.
Les résultats de la pondération obtenus sont ensuite normalisés en fonction du premier poids.

Figure 4.10 : Algorithme LMS

78
Enfin, le facteur de réseau de l’antenne ( Figure 4.11 ) est obtenu en multipliant le vecteur directeur
par le poids optimal mis à jour.

Figure 4.11 : Calcul du facteur de réseau de l’ULA

A partir de la magnitude du facteur du réseau ci-dessus, nous pouvons obtenir le tracé en

coordonnées cartésiennes du diagramme de rayonnement de la Figure 4.12.

Figure 4.12 : Facteur de réseau de l’ULA dont le lobe principal pointé à l’angle 30°

b. Effet de la variation du nombre d’éléments

Premièrement, nous allons varier le nombre d'éléments d'antenne utilisés pour observer comment
cela influence les performances de l'algorithme, ainsi que son effet sur le diagramme de
rayonnement de l'antenne en direction de la source souhaitée et en présence d'interférences.

L’augmentation de la longueur de l’ULA permet d’obtenir un faisceau plus focalisé, comme le

montrent les diagrammes de la Figure 4.13. Au fur et à mesure que le réseau augmente en nombre
d’éléments, les lobes principaux de la réponse du réseau s’allongent et leur largeur diminue.

Cependant, on constate que l'inconvénient d'augmenter le nombre d'éléments dans le réseau linéaire
est l'apparition d'un plus grand nombre de lobes secondaires indésirables.

79
 Figure 4.13 : Diagramme de rayonnement respectif pour M = 4, 8, 16 et 32

Longueur de l’ULA SNR (dB) Erreur DOA

4 3.2983 0.0263
8 3.3166 0.0012
16 9.2747 0.00009
32 16.5737 0.00010

Tableau 4.02 : Performance de l’algorithme LMS

Dans le Tableau 4.02 ci-dessus, le rapport du signal sur bruit (SNR) et l’erreur sur l’angle d’arrivé
sont calculées. L’implémentation de l’algorithme LMS peut être plus efficace à mesure que le
nombre d’éléments dans le tableau augmente. Cela est mieux démontré par la façon dont le SNR
augmente pour 32 éléments d’antennes. L’erreur sur le DOA diminue également au fur et à mesure

80
que les éléments augmentent. L’algorithme LMS est mieux en mesure de suivre le signal utile pour
un nombre élevé d’antennes [44], et arrive à rejeter le signal d’interférence, comme le montre le
diagramme de faisceaux normalisés ci-dessous.

Figure 4.14 : Diagramme de rayonnement normalisé de l’ULA à 16 éléments

Ceci nous montre que l’algorithme LMS est capable de former de nul profond dans la direction de
l’interférence à −60° et de diriger le lobe principal dans la direction du signal désiré à 30°.
Le Tableau 4.03 suivante montre l’analyse détaillée de la formation de faisceaux pour l’algorithme
LMS. Des résultats optimaux tels qu’un angle d’ouverture étroit et une faible erreur de DoA du lobe
principal sont obtenus au fur et à mesure que le nombre d’antennes augmentent.

Longueur Largeur du faisceau Erreur du DOA du Niveau du lobe Profondeur du

de l’ULA à mi puissance faisceau maximal secondaire nul
(HPBW en degré) (en degré) (SLL en dB) (en dB)
4 33.80 0.0263 -15.74 -62.68
8 14.89 0.0012 -14.56 -73.56
16 6.87 0.00009 -15.32 -57.24
32 2.86 0.00019 -14.46 -17.52

Tableau 4.03 : Analyse de la formation de faisceau pour l’algorithme LMS

De plus, le temps de convergence de l’algorithme diminue à mesure que le nombre d’éléments du

81
réseau augmente. La Figure 4.15 nous montre comment la sortie du réseau acquiert et suit le signal
désiré après respectivement 60, 30 et 20 itérations pour 4, 8 et 16 éléments. En effet, il existe une
relation entre la vitesse de convergence et la capacité à suivre le signal désiré de manière
satisfaisante [42].

Figure 4.15 : Les signaux en sortie du réseau pour M égale à 4, 8, 16

c. Effet de variation du pas d’adaptation

D’après le résultat précédent, le nombre d’éléments rayonnant a une influence sur le temps de
convergence de l’algorithme. De même, le paramètre 𝜇 ou pas d’adaptation permet de mesurer la
vitesse de convergence vers le poids optimal. Pour montrer cela, les paramètres ont été réglés sur
M=8, n=100 avec un pas 𝜇 variable.

Figure 4.16 : Evolution du vecteur de pondération

82
D’après le résultat de la Figure 4.16 de l’évolution du poids, le temps de convergence diminue
lorsque le pas d’adaptation augmente. Cependant, on observe que lorsque la taille de pas LMS est
élevée, la mise à jour des poids devient instable. En effet, pour une valeur de 𝜇 supérieur à 0.02
2
(µ > ), la convergence devient trop rapide. Par conséquent, les poids oscillent seulement
𝜆𝑚𝑎𝑥

autour des poids optimaux et ne suivront pas avec précision la solution souhaitée.

Figure 4.17 : Convergence de l’erreur quadratique

Selon la Figure 4.17, la valeur du carré de la valeur absolue de l’erreur |𝑒|2 est minimiser au bout
de 30 itérations pour les valeurs de 𝜇 égale à 0.01 et 0.02, mais pour une valeur élevée du pas 𝜇, ici
égale à 0.05, la convergence n’est pas très stable.

d. Effet de variation d’espacement

Figure 4.18 : Diagramme de rayonnement de l’ULA pour 8 et 16 éléments rayonnants

83
Le facteur de réseau pour le nombre d’éléments M=8, 10 et l’espacement entre les éléments d=λ/2,
λ/4 et λ/8 est calculée et la Figure 4.18 montre les courbes du facteur de réseau. Elle montre
clairement que la distance inter-éléments égale à une demi-longueur d’onde est la valeur optimale
de l’espacement, car elle donne un résultat précis.

[Link] Analyse comparative

Dans cette seconde partie de notre simulation, nous allons comparer entre eux les algorithmes
adaptatifs non aveugles qui sont LMS, RLS, SMI et CGM puis comparer les deux algorithmes
adaptatifs aveugles ; le CMA et le LSCMA.

a. Comparaison des algorithmes non-aveugles

 Formation de faisceau
La Figure 4.19 suivante nous montre le facteur de réseau de l’ULA selon les différents types
d’algorithmes adaptatifs utilisés. On constate que le faisceau peut être généré dans la direction
souhaitée (30) en utilisant tous les algorithmes LMS, RLS, SMI et CGM. Des nuls de rayonnement
sont également créés dans la direction du signal interférent (-60) par chaque algorithme avec des
niveaux de profondeur et de lobe secondaire différents. Parmi les algorithmes non aveugles, LMS
offre le plus faible niveau de lobe secondaire (SLL).

Figure 4.19 : Diagrammes de rayonnements normalisés des algorithmes non aveugles pour
M=8

84
 Erreur
Nous allons voir la convergence de chaque algorithme à travers le tracé de l’erreur quadratique et
le résidu donnée par les figures suivantes :

Figure 4.20 : Erreur et résidu de l’algorithme RLS et CGM

La Figure 4.20 nous donne un aperçu du taux de convergence des algorithmes du moindre carré
récursif et du gradient conjugué. En comparant avec la convergence de LMS de 4.16, on voit que
l’algorithme RLS converge beaucoup plus rapidement que LMS qui nécessite plus de 30 itérations.
De même, l’algorithme du gradient conjugué converge au bout de 10 itérations seulement.

 Pondération
Dans les tracés dans la Figure 4.21 suivantes, on constate que l’évolution du vecteur de poids est
plutôt stable pour les algorithmes RLS et CGM.

Figure 4.21 : Evolutions des vecteurs poids RLS et CGM

85
b. Comparaison des algorithmes aveugles

 Formation de faisceau
Suivant le nombre d’élément d’antenne, les Figures 4.22 et 4.23 suivantes nous donnent les
diagrammes de rayonnements normalisés des algorithmes adaptatifs aveugles.

Figure 4.22 : Diagrammes de rayonnements normalisés des algorithmes CMA et LS-CMA pour
M=8

Figure 4.23 : Diagrammes de rayonnements normalisés des algorithmes CMA et LS-CMA pour
M=16

86
Pour les diagrammes de rayonnement de la Figure 4.23, nous avons augmenté le nombre d’éléments
de l’antenne réseau de 16 et on constate que la largeur du lobe principale de l’ULA diminue pour
les deux algorithmes, mais aussi que le zéro se forme dans la direction de l’interférence (-60°) pour
le LS-CMA.
On constate que même sans la connaissance d’un signal de référence, les algorithmes adaptatifs
aveugles arrivent parfaitement à pointer les lobes vers la direction souhaitée. Pour le CMA, on peut
remarquer qu’on a un maximum de rayonnement en direction de la source souhaitée, mais la source
d’interférence n’est pas totalement éliminée. D’ailleurs, l’algorithme LS-CMA fait un meilleur
travail d’annulation du chemin multiple que l’algorithme CMA.
 Erreur

Figure 4.24 : Erreur quadratique de l’algorithme CMA et LSCMA

 Pondération

Figure 4.25 : Evolutions des vecteurs poids CMA et LSCMA

87
Selon la Figure 4.25, il est clair que la stabilité des vecteurs de pondération des algorithmes aveugles
tend à devenir instable, particulièrement après un certain nombre d'itérations. Cependant, les
signaux d'erreur de la Figure 4.24 montrent que les algorithmes à module constant convergent assez
rapidement.

4.4 Tableaux comparatifs

Le tableau suivant résume les performances des différents algorithmes adaptatifs aveugles et non
aveugles étudiés :

Nombre Algorithmes Largeur du Erreur du Niveau du Profondeur

d’antennes faisceau à DOA du lobe du nul
mi-puissance faisceau secondaire
(HPBW) maximal (SLL)

LMS 33.80 0.0258 -14 -73.56

RLS 34.37 0.0255 -14 -69.93
SMI 35.52 0.0803 -13 -59.10
M=4
CGM 33.23 0.0255 -11 -62.40
CMA 28.64 0.0131 -8 _
LS-CMA 32.65 0.0592 -10 _
LMS 14.89 0.0012 -15 -73.56
RLS 14.32 0.0045 -11 -78.87
SMI 14.89 0.0107 -14 -74.45
M=8
CGM 14.89 0.0022 -11 -73.55
CMA 13.75 0.0030 -8 _
LS-CMA 14.32 0.0078 -11 _
LMS 6.87 0.00009 -15 -73.56
RLS 6.87 0.0030 -16 -69.93
SMI 6.30 0.0022 -14 -59.10
M = 16 CGM 6.87 0.0055 -12 -62.40
CMA 6.87 0.0039 -8 _
LS-CMA 6.87 0.0025 -13 -53

88
 LMS 2.86 0.0001 -15 -53.90
RLS 2.86 0.0027 -14 -56.12
SMI 2.86 0.0025 -13 -51.95
M = 32
CGM 2.86 0.0007 -11 -45.68
CMA 2.86 0.0004 -12 _
LS-CMA 2.29 0.5229 -12 -60.20

Tableau 4.04 : Comparaison des résultats de rayonnement de chaques algorithmes

Conformément aux résultats du Tableau 4.04, nous obtenons les graphes ci-après, illustrant les
performances de formation de faisceau des algorithmes suivant la variation du nombre d’antennes :

Niveau du lobe secondaire Erreur du DOA du faisceau

maximal
-6
0.08
-8
-10 0.06
-12
0.04
-14
-16
0.02
-18
-20 0
4 8 16 32 4 8 16 32

LMS RLS SMI LMS RLS SMI

CGM CMA LS-CMA CGM CMA LS-CMA

Figure 4.26 : Comparaison des résultats de rayonnement de chaques algorithmes

Les tracés de la Figure 4.26 nous montrent que se sont les algorithmes non aveugles LMS, RLS et
SMI qui offrent le meilleur résultat au niveau du SLL par rapport au algorithme non aveugle CMA
et LS-CMA. Par contre, malgré le fait que ces derniers n’ont pas connaissance de la direction
d’arrivée du signal désiré, CMA arrive tous de même à pointer le lobe principale vers la direction
désiré avec un faible taux d’erreur de DoA et un faible largeur de faiscau.

Concernant le temps d'exécution des algorithmes adaptatifs, un chronométrage de la section de mise

à jour poids de chaque algorithme a été faite à l’aide de la fonction ‘tic’ et ‘toc’ de Matlab. Le
Tableau 4.05 suivant donne une approximation de la complexité en temps de chaque algorithme
pour les paramètres : M=16 antennes et n=100 itérations.

89
 Algorithme LMS RLS CG SMI CMA LSCMA
Temps 0.002234 0.043275 0.024007 0.004111 0.002132 0.020249
d’exécution (en s)

Tableau 4.05 : Complexité en temps des algorithmes

4.5 Conclusion

D’après l’analyse des résultats des simulations, nous avons trouvé que le nombre d’antennes utilisé
dans le réseau joue sur le gain de directivité et que le pas d’adaptation joue sur la convergence de
l’algorithme vers la solution optimale. Ainsi la convergence de l’algorithme LMS dépend
vraisemblablement de 𝜇 et par rapport à cet algorithme, l’approche RLS offre une convergence plus
rapide et une erreur plus faible, mais au prix d’un plus grand nombre de calculs. En ce qui concerne
les algorithmes aveugles, CMA et LS-CMA ont donné un bon rayonnement dans la direction de la
source désirée, mais de moins bons résultats en direction des interférences.

90
 CONCLUSION GENERALE

Pour conclure, les antennes intelligentes exploitent les technologies de formation de faisceaux et de
réseaux d’antennes pour améliorer les performances des systèmes sans fils.

Dans la partie analytique, nous avons effectué l’étude algorithmique des techniques de formation de
faisceaux utilisés dans le cadre des systèmes d’antennes intelligentes. Notre implémentation de la
beamforming à l’aide de l’algorithme adaptative effectue le processus d’adaptation nécessaire pour
former un diagramme de rayonnement d’un réseau linéaire dans la direction du signal souhaité.
Dans notre étude, nous nous sommes focalisés plutôt sur la partie formation de faisceaux que sur
l’estimation de l’angle d’arrivée.

Dans la partie simulation, nous avons fait d’une part une étude des performances de l’algorithme
des moindres carrés moyens à former et dirigé les faisceaux dans la direction voulue et d’autre part
une étude comparative de quelques algorithmes adaptatifs existants. À travers les différentes
simulations, on a pu constater que les algorithmes non aveugles offre de meilleurs résultats pour la
formation de lobe principal dirigé vers l’utilisateur souhaité avec une bonne rejection des
interférences. En termes de de convergence et de profondeur des zéros, RLS et SMI sont plus
performants, alors que LMS est plus simple et donne des résultats plus faibles aux niveaux des lobes
secondaires.

Le critère de performance considérer dans notre simulation concerne le rapport signal sur bruit ainsi
que l’erreur quadratique moyenne. Nous pouvons envisager d’explorer prochainement d’autres
types de géométries de réseaux, tels que les réseaux circulaires ou rectangulaires, d'étudier des
combinaisons d'algorithmes adaptatifs afin de tirer parti des avantages de chaque algorithme, et
d'analyser les résultats sous d'autres angles comme le taux d'erreur binaire.

91
 ANNEXE 1
FORMATEURS DE FAISCEAUX ANALOGIQUES

A1.1 Formateurs de faisceaux par voie circuit

Le « beamformer » par voie circuit est un réseau de déphasage analogique constitué, dans la plupart
des cas, par des coupleurs et des déphaseurs fixes.

 Matrice de Butler
La matrice de Butler est une structure de N entrées connecté aux éléments d’antennes et de N sorties
relié aux ports de faisceaux. Elle est donc une matrice NxN où la dimension de N doit être une
puissance entière de 2 (N=2n, avec n : entier positif). Elle permet l’alimentation d’un réseau
d’antennes avec des possibilités d’orientation de faisceaux. C’est l’une des matrices les plus
répandues, car elle est largement utilisée chaque fois qu’il est nécessaire de réaliser des faisceaux
multiples avec un même réseau.

La matrice de Butler est un dispositif comportant des circuits formés de coupleurs directionnels et
de déphaseurs fixes [45]. La figure suivante montre un exemple de matrice de Butler 4x4 :

Figure A1.01 : Matrice 4x4 standard et non standard de Butler

La matrice de Butler doit être muni au moins de N coupleurs et N/2 déphaseurs pour former le
circuit d’alimentation. Selon le type de coupleurs utilisés, on distingue deux familles de matrices de
Butler. Les matrices standards (a), utilisant des coupleurs hybrides (3 dB, 90°), dont les faisceaux
générés sont situés de part et d’autre de la normale au plan contenant les éléments rayonnants. Les
matrices non standards (b), utilisant des coupleurs hybrides (3 dB, 180°), avec deux faisceaux
supplémentaires en plus où l’un dans l’axe principal correspondant à la normale au réseau

92
d’antennes et l’autre, un faisceau rasant qui pointe dans l’horizon [45].

La matrice de Butler est un réseau de formation de faisceau qui permet de générer des faisceaux
orthogonaux avec une bonne directivité quoique la largeur de faisceau et la direction de pointage
changent avec la fréquence.

 Matrice de Blass
La matrice de Blass est une technique d’alimentation en série d’un réseau d’antennes qui permet de
générer des faisceaux multiples. Elle comporte plusieurs lignes principales (ou lignes transverses,
« through lines » en anglais) qui transportent l’énergie et plusieurs lignes secondaires (ou lignes de
ramification, « branch line » en anglais) qui croisent les premières et mènent au réseau d’antennes
[24]. Des coupleurs directionnels sont placés à chaque croisement pour diminuer séquentiellement
la puissance.

Figure A1.02 : La matrice de Blass

Le coupleur directionnel est un composant passif, sans perte, essentielle à la conception de la matrice
de Blass. D’après la Figure A1.02, un coupleur possède quatre ports dont deux en entrées et deux
en sorties et le nombre de coupleurs C, nécessaire pour former N faisceaux, est de C = M*N. Ces
coupleurs déterminent la distribution en amplitude du réseau d’antennes, et par conséquent les
niveaux des lobes secondaires des diagrammes de rayonnement. Un déphaseur~ ou un ajusteur de
longueur de ligne, situé entre deux coupleurs, engendre le changement de phase nécessaire à la
création de gradient de phase entre chaque port de sortie.

Les avantages de l’utilisation de la matrice de Blass sont nombreux tels que la souplesse à former

93
des faisceaux par l’ajustement des rapports de couplages ainsi que la stabilité des faisceaux avec la
fréquence grâce aux temps de retard. Néanmoins, elle présente quelques limites au niveau de la
conception avec un nombre d’éléments de réseau et/ou d’entrée importants.

 Matrice de Nolen
La matrice de Nolen peut être considérée comme la combinaison de la matrice de Butler avec celle
de Blass. Elle comporte des déphaseurs et des coupleurs directionnels.

Figure A1.03 : La matrice de Nolen

La matrice de Nolen peut être considérée comme une matrice de Blass sans pertes [45], puisque
tous les coupleurs dans la partie inférieure de la diagonale ont été supprimés avec toutes les charges
en bout de ligne. Toutefois, comme la matrice de Blass, elle est rarement utilisée pour ses pièces
coûteuses et sa difficulté d’ajustement.

A1.2 Formateurs de faisceaux par voie quasi-optique

On retrouve plusieurs systèmes de types quasi-optiques, utilisant des antennes lentilles (Lens
antennas) telles que la lentille de Rotman, la lentille de Luneberg et la lentille de Bootlace. Les types
de formateurs de faisceau par voie les plus connus restent la lentille de Bootlace et celle de Rotman.
Les lentilles sont des structures en réseau où les phases et les amplitudes de leurs éléments
rayonnants sont ajustées afin de diriger les faisceaux dans une direction donnée. Elles sont utilisées
pour focaliser l’énergie rayonnée par les alimentations des antennes qui sont moins directives.

 Lentille de Bootlace
Inventé en 1956 par H. Gent, ce type de lentille est composé des ports d’alimentation d’un côté et
d’une lentille de l’autre côté. Entre les deux ports se trouve la zone de transmission homogène
d’onde planaire.

94
 Figure A1.04 : La lentille de Bootlace

La lentille de Bootlace fonctionne de manière à ce que l’énergie, assignée par le déphasage des
lignes de transmission, soit rerayonnée à l’avant de la face des lentilles après que ces dernières
ajustent ses paramètres de balayage.

 Lentille de Rotman
Inventé en 1962 par Walter Rotman, ce type de lentille est une dérivée de la modification la lentille
de Bootlace avec l’ajout d’un réseau d’alimentation fixe pour les ports du faisceau. La lentille de
Rotman est basée sur les principes de l’optique géométrique. La première lentille est apparue au
début des années soixante et le modèle expérimental utilisait un guide d’onde à plaques parallèles
avec les ports d’entrées et les ports du réseau d’antennes distribués à la périphérie des contours
opposés. À chaque entrée correspond un faisceau en sortie dans une direction donnée dont les
caractéristiques de rayonnement dépendent du nombre de ports du réseau d’antennes à la sortie.

source
linéique
contour extérieur linéique,
ouverture rayonnante
sondes RF
câbles coaxiaux RF
contour intérieur de la lentille C1
lentille à plaques parallèles
pour recevoir ou
transmettre cornets d’entrée

Figure A1.05 : La première lentille de Rotman

95
 ANNEXE 2
EXTRAIT DU CODE SOURCE

A2.1 Algorithme RLS

%% Initialisation des paramètres
K=50;
d = .5;
M = 8;
A = 1;
theta = 30;
theta_i = -60;
f = 1000;
alpha=.9;
sig2=.01;
c = 3e8;
lambda = c/f;
d = d*lambda;
k = 2*pi/lambda;
T=1/f;
%% Modelisation des signaux
t = (0:(K-1))*T/(K-1);
S = A*sin(2*pi*t/T);
theta = theta*pi/180;
I = sin(pi*t/T);
theta_i = theta_i*pi/180;
n = randn(M,K)*sqrt(sig2);
Rnn = n*n’/K;
%% Facteur de réseau pour chaque signal
vS = []; vI = [];
m=1:M;
vS=exp(1j*(m-1)*k*d*sin(theta));
vI=exp(1j*(m-1)*k*d*sin(theta_i));

%% Mise à jour des poids RLS

X = (vS.’*S + vI.’*I);
W = zeros(M,K);
Rxx = X(:,1)*X(:,1)’+Rnn;
Rinv = inv(Rxx);
alinv = 1/alpha;
for jj=2:K
Rxx = alpha*Rxx+X(:,jj)*X(:,jj)’;
Rinv = alinv*Rinv-
alinv^2*Rinv*X(:,jj)*X(:,jj)’*Rinv./(1+alinv*X(:,jj)’*Rinv*X(:,jj));
q = Rinv*X(:,jj);
W(:,jj) = W(:,jj-1)+q*[S(jj)-X(:,jj)’*W(:,jj-1)];
end
w=W(:,K);
w=w/abs(w(1));

96
A2.2 Algorithme SMI
%% Initialisation des paramètres
K=100;
M = 8;
f = 1000;
theta = 30;
theta_i = -60;
c = 3e8;
sig2=.001;
T = 1/f;
lambda = c/f;
k = 2*pi/lambda;
d = 0.5*lambda;
t = (1:K)*T/K;
theta = theta*pi/180;
theta_i = theta_i*pi/180;

%% Modelisation des signaux

S = sin(2*pi*t/T);
randn(‘state’,5)
I = randn(1,K);
n = randn(M,K)*sqrt(sig2);

%% Facteur de réseau pour chaque signal

vS = [];
vI = [];
i=1:M;
vS=exp(1j*(i-1)*k*d*sin(theta));
vI=exp(1j*(i-1)*k*d*sin(theta_i));

%% Mise à jour des poids SMI

X=(vS.’*S + vI.’*I + n);
Rxx=X*X’/K;
r=X*S’/K;
w=inv(Rxx)*r;
w = conj(w./w(1));
w.’;
E = S(K)-w.’*sum(X,2)/K;
E = abs(E)^2;

w=w/abs(w(1));

97
A2.3 Algorithme CGM
%% Initialisation des paramètres
K = 20;
M = 8;
f = 1000;
d = 0.5;
c = 3e8;
lambda = c/f;
d = d*lambda;
k = 2*pi/lambda;
sig2 = .001;
b = sqrt(sig2)*randn(M,K);
theta = 30; theta_i = -60; theta2=0;
%% Génération des signaux
T = 1/f;
t = [1:K]*T/K;
S = sin(2*pi*t/T);
theta = theta*pi/180;
theta_i = theta_i*pi/180;
theta2=theta2*pi/180;
I1=randn(1,K); I2=randn(1,K); I = I1+I2;
vS = []; v1 = []; v2 = [];
m = 1:M;
%% Facteur de réseau pour chaque signal
vS = exp(1j*(m-1)*k*d*sin(theta));
v1 = exp(1j*(m-1)*k*d*sin(theta_i));
v2 = exp(1j*(m-1)*k*d*sin(theta2));
X = (vS.’*S + v1.’*I1 + v2.’*I2) + b;
%% Mise à jour des poids CGM
w = .1*ones(M,1)*(1+1j);
A = X.’;
r = S’-A*w;
rold = r;
g = A’*r;
E = zeros(1,M);
W = zeros(M,K);
for i = 1:K
num = A’*r;
denum = A*g;
mu = real(num’*num)/real(denum’*denum);
w = w-mu*g;
W(:,i) = w;
r = r + mu*A*g;
denum = A’*rold;
num=A’*r;
al = real(num’*num)/real(denum’*denum);
rold = r;
g = A’*r-al*g;
E(i) = norm(r);
end
w = w/abs(w(1));
98
A2.4 Calculs des résultats

%% Calcul du facteur de réseau ULA

alpha = -pi/2:.01:pi/2;
AF = zeros(1,length(alpha));
for m = 1:M
AF = AF + w(m)’*exp(1j*(m-1)*k*d*sin(alpha));
end
mag_AF = abs(AF);
mag_AF1 = 10*log(abs(AF));
mag_AFn = mag_AF1 - max(mag_AF1); %

H = 0;
omega = 0:0.0001:2*pi;
for m = 1:M
H = H + w(m)’.*exp(1j*(m-1)*k*d*sin(omega));
end
mag_H = abs(H);
[mm, ii] = max(mag_H);

%% Calcul de la sortie ULA

Y = w.’*X;

%% Calcul du rapport signal sur bruit

SNR = snr(real(Y), real(I))

%% Calcul de l’erreur du DOA

DOA_1 = ii*.0001;
DOA_2 = abs(pi - DOA_1);
DOA_err = abs(min([DOA_1-theta, DOA_2-theta]))

%% Calcul du largeur du faisceau à mi-puissance

half_max = max(mag_AF)/sqrt(2);
idx = find(mag_AF >= half_max);
hpbw = abs(diff(alpha(idx([1, end]))));
hpbw_deg = (hpbw)*180/pi

99
A1.05 Affichage des résultats

it=1:K;
plot(alpha*180/pi, mag_AFn);
title(‘Diagramme de rayonnement normalisé’);
xlabel(‘Angle d’’arrivé’);
ylabel(‘Facteur du réseau’);
axis([-90 90 -80 0]);
set(gca,’xtick’,[-90 -60 -30 0 30 60 90]);
grid on;

Figure;
plot(alpha*180/pi,mag_AF/max(mag_AF));
title(‘Diagramme de rayonnement en coordonnée cartésienne’);
xlabel(‘Angle d’’arrivé (AOA)’);
ylabel(‘Facteur du réseau (AF)’);
axis([-90 90 0 1.1]);
set(gca,’xtick’,[-90 -60 -30 0 30 60 90]);
grid on;

Figure;
polar(omega, mag_H);
title(‘Diagramme de rayonnement en coordonnée polaire’);
xlabel(‘Angle d’’arrivé (AOA)’)
ylabel(‘Facteur du réseau (AF)’)

Figure;
plot(it, S, it, real(Y))
title(‘Signal desire vs sortie’);
xlabel(‘Nombre d’’itérations’)
ylabel(‘Signaux’)
legend(‘Signal de réference’,’Signal en sortie’)

Figure;
plot(it, abs(W(M,:)),’+’)
title(‘Vecteur de pondération’);
xlabel(‘Nombre d’’itérations’)
ylabel(‘Vecteur poids’)

Figure;
plot(it, real(E));
title(‘Signal erreur’);
xlabel(‘Nombre d’’itérations’);
ylabel(‘Erreur quadratique moyenne’)

100
 BIBLIOGRAPHIES

[1] J. Roger, « Antenne : Différents types », Traité d’Electronique, Technique de l’ingénieur, 1998
[2] E. Radonamandimby, « Onde électromagnétique », Cours I2 - TCO, Dép. TCO. - E.S.P.A., A.U.
: 2018-2019
[3] Picon, Odile, et al, « Les antennes : Théorie, conception et applications », Dunod, 2009
[4] J. Roger, « Antenne : Base et principe », Traité d’Electronique, Technique de l’ingénieur, 1998
[5] C. Wolff, « Radar basics »,
[Link] Juin 2023
[6] A.R. Harish, M. Sachidananda, « Antennas and wave propagation », Oxford University Press,
2016
[7] P. Delos, B. Broughton, J. Kraft , « Linear Array Beam Characteristics and Array Factor »,
[Link]
Aout 2023
[8] J. P. Muller, « Les antennes », Cours de physique appliquée, 2013
[9] N. Aounallah, « Notes de cours : Antennes », Master 1 de Systèmes de Télécommunications,
2018
[10] Terry, « Les différents visages des antennes de télécommunication »,
[Link] Juin
2023
[11] B. Fayçal, « Propagation d’ondes et antennes », Université Mohamed Seddik Benyahia de
Jijel, 2017
[12] Thomas Forrister, « Analyzing Operating Mode Options for Helical Antennas »,
[Link] Juin 2023
[13] J. Roger, « Antenne : Techniques », Traité d’Electronique, Technique de l’ingénieur, 1998
[14] I. Chahbi, « Exploitation des antennes multiples pour l’optimisation dans les réseaux sans fil »,
Thèse de doctorat, Télécom & Management SudParis, 2011
[15] A. N. Andriamanalina, « Communication numérique », Cours I4 - TCO, Dép. TCO. - E.S.P.A.,
A.U. : 2020-2021
[16] T. R. Rajaonarison, « Technologie MIMO », Cours I4 – TCO, Dép. TCO. - E.S.P.A., A.U. :
2020-2021
[17] R. Ghayoula, « Contribution à l’optimisation de la synthèse des antennes intelligentes par les
réseaux de neurones », Thèse de doctorat, Université de Tunis El Manar, 2008

101
[18] A. Roze, « Massive MIMO, une approche angulaire pour les futurs systèmes multi-utilisateurs
aux longueurs d’onde millimétriques », Thèse de doctorat, INSA Rennes, 2016
[19] N. K. Nikolova, « Notes on Antenna Engineering », McMaster University, 2018
[20] Z. Jaber, « Conception d’une antenne intelligente a faisceau commutable assistée par un
système de localisation des mobiles », Mémoire de Master, Université de Québec, 2008
[21] R. Iméne, « Synthèse d’un réseau d’antennes adaptatif pour une topologie circulaire »,
Mémoire de Master, Université de m’sila, 2020
[22] G. V. Tsoulos, C. G. Christodoulou, « Chapter 11: Arrays and Smart Antennas », Modern
Antenna Handbook, 2011
[23] F. B. Gross, « Smart Antennas for Wireless Communications », McGraw-Hill, 2005
[24] C.A. Balanis, « Antenna Theory: Analysis and Design », 3 ed., Wiley & Sons, 2005
[25] N. Aounallah, « Utilisation des antennes intelligentes dans les systèmes de communication sans
fil », Thèse de doctorat, Tiaret-Algerie, 2015
[26] N. Aounallah, M. Bouziani, « L’estimation de l’angle d’arrivée et la formation de voie par un
système à antenne intelligente », International Congress on Telecommunication and Application,
2012
[27] M. Kenane, « Contribution à l’optimisation d’un réseau d’antennes intelligentes au système
UMTS », Thèse de doctorat, Université de Ferhat Abbas – Sétif -1-, 2017
[28] N. Fadlallah, « Contribution à l’optimisation de la synthèse du lobe de rayonnement pour une
antenne intelligente. Application à la conception de réseaux à déphasage », Université de Limoges,
2005
[29] B. Sharma, I. Sarkar, M. Tanmoy, P. P. Bhattacharya, « An introduction to smart antenna
system », International Journal of Business and Engineering Research, vol. 8, novembre 2014
[30] Q. Chaudhari, « What is the Difference between Analog, Digital and Hybrid Beamforming
? », [Link]
beamforming, Wireless Pi, mai 2023
[31] M. Shbat, F. C. Ordaz-Salazar, J. S. González-Salas, « Introductory Chapter: Smart antennas
and beam-formation », Antenna Arrays and Beam-formation, 2017
[32] Z. Xiao, L. Zhu, L. Bai, X. Xia, « Array Beamforming Enabled Wireless Communications »,
CRC Press, 2023

[33] P. Saxena, A.G. Kothari, « Performance analysis of adaptive beamforming algorithms for
smart antennas », International Conference on Future Information Engineering, 2014

102
[34] U. Iyemeh, K. James, « Survey of beam steering techniques available for millimeter wave
applications », Progress In Electromagnetics Research B, Vol. 68, 2016
[35] E. Tonye, S. Kepchabe, « Performance analysis of analytical approaches to smart antennas
modeling », International Journal of Engineering and Management Research Vol.5, 2015
[36] S. Smihily, M. Rifi, « Utilisation des antennes adaptatives dans les systèmes RADAR de
poursuite », Mediterranean Telecommunications Journal Vol. 9, 2019
[37] S. Ganguly, J. Ghosh, P. K. Kumar, « Performance analysis of array signal processing
algorithms for adaptive beamforming », URSI AP-RASC, 2019
[38] M. Benazzouz, « Comparaison des performances des algorithmes de formation adaptatifs
aveugles (LMS, RLS) et non-aveugles (CMA, LS-CMA, RLS-CMA) dans les antennes intelligentes »,
2011
[39] V. Sharma, V. N. Raj, « Convergence and performance analysis of godard family and
multimodulus algorithms for blind equalization », IEEE transactions on signal processing, vol. 53,
2005
[40] P. S. R. Diniz, « Adaptive filtering: algorithms and practical implementation », 5 ed., Springer,
2020
[41] H. Abdelali, « Application de la logique floue pour l’égalisation des canaux de transmission
dans les systèmes de télécommunications mobiles », Thèse de Magister, 2014
[42] M. Abualhayja’a, M. Hussein, « Comparative study of adaptative beamforming algorithms for
smart antenna applications », 2021
[43] Mathworks, « Matlab», [Link] Juillet 2023
[44] Tdsepsilon, « Adaptative beamforming with LMS », [Link]
beamforming-with-lms/, Aout 2023
[45] M. Moustapha, « Conception d’un réseau d’antennes multifaisceaux avec la technologie Gis »,
Thèses de doctorat, Université du Québec, 2013
[46] N. Guellil, « Etude et conception d’un réseau d’antennes beamforming à base de la matrice de
Butler en utilisant ADS Momentum », Mémoire de Master, Université de Ferhat Abbas – Sétif -1-,
2018

103
 RENSEIGNEMENTS

Nom : SOLOANDRIANINA

Prénom(s) : Antonio Fandresena

Adresse : Lot PN 56 Sud Ambohipo

soloandrianinaantonio@[Link]

+261 34 37 465 76

Titre du mémoire :

« ANALYSES ET PERFORMANCES DES ALGORITHMES ADAPTATIFS

DE BEAMFORMING POUR LES ANTENNES INTELLIGENTES »

Nombres de pages : 104

Nombres de tableaux : 8

Nombre de Figures : 87

Mots-clés : Antenne intelligente, réseaux d’antennes, formation de faisceau, algorithme

adaptatif, diagramme de rayonnement

Directeur de mémoire : ANDRIAMANALINA Ando Nirina

andonirinabe@[Link]

+261 34 03 876 01

104
 RESUME

L’objectif de ce travail de mémoire est la contribution à l’étude et l’analyse de performance des

algorithmes adaptatifs de formation de faisceau pour les antennes intelligentes. Dans cette étude, la
méthode des moindres carrés moyens (LMS), l’inversion directe de matrice (DMI), la méthode des
moindres carrés récursifs (RLS), la méthode du gradient conjugué (CGM), l’algorithme à module
constant (CMA) et sa variante LS-CMA sont discutées et analysées. Les performances de formation
de faisceau sont étudiées en faisant varier l’espacement des éléments et le nombre d’éléments du
réseau d’antennes pour algorithme LMS. Les algorithmes non aveugles et aveugles sont comparés
pour leur taux de convergence, leur performance de formation et d’annulation de faisceau. D’autres
critères de comparaison tels que le rapport signal sur bruit et l’erreur quadratique moyenne ont été
également pris en compte.

Mots-clés : Antenne, réseaux, formation de faisceau, algorithme, LMS

ABSTRACT

The objective of this thesis is to contribute to the study and performance analysis of adaptive
beamforming algorithms for smart antennas. In this study, Least Mean Squares (LMS), Direct
Matrix Inversion (DMI), Recursive Least Squares (RLS), Conjugate Gradient Method (CGM),
Constant Modulus Algorithm (CMA) and its variant LS-CMA are discussed and analyzed. The
beamforming performance is studied by varying the element spacing and number of elements of the
antenna array for LMS algorithm. The non-blind and blind algorithms are compared for their rate
of convergence, beamforming and null steering performance. Other comparison criteria such as the
signal-to-noise ratio and the mean square error were also taken into account.

Keywords : Antenna, array, beamforming, algorithm, LMS