1.
Introduction
Les échantillons reçus s’écrivent :
y k =∑ an gk−n +w k =a k g 0+ ∑ an gk−n +w k
n n ≠k
où w k est un échantillon de bruit additif gaussien centré (AWGN) de variance σ =E ( ∣ wk ∣ ).
2 2
L’idée générale consiste à appliquer un filtre égaliseur H E ( z ) aux échantillons y k pour compenser
le canal équivalent G ( z ) défini au Chapitre I.
figure
Considérons un filtre transverse à ( 2 N +1 ) coefficients. Les égaliseurs transverses sont les plus
simples à mettre en œuvre. En effet, il s’agit simplement d’utiliser un filtre numérique à réponse
impulsionnelle finie (RIF) pour lesquels les méthodes de calcul et d’implantation sont bien
connues.
La sortie du filtre égaliseur z ( k ) s’exprime comme suit :
N
z ( k )= ∑ y ( k−n ) h E , n
n=−N
figure
Convolution sous forme matricielle : Z=Y ⋅ H E
Le temps k s’étend de −2 N à 2 N pour ( 2 N +1 ) échantillons d’entrée. La relation de convolution
peut s’écrire sous forme matricielle :
Z=Y ⋅ H E
Avec :
Z : Vecteur colonne de dimension ( 4 N +1 )
( )
z (−2 N )
( )
Z= z −2 N +1
¿ z (0 )
¿ z (2 N )
H E : Vecteur colonne de dimension ( 2 N +1 ) contenant les coefficients du
filtre égaliseur
( )
h E ,− N
h
H E= E ,−N +1
¿ hE, 0
¿ hE, N
Y : Matrice de dimension ( 4 N +1 ) × ( 2 N + 1 ) contenant les échantillons
reçus
(
y (−N ) 0 0 ⋯ 0
Y = y (−N +1 ) y (−N ) 0 ⋯ 0 y (−N +1 ) ¿ 0 ¿ y ( N ) ¿ y ( N−1 ) ¿ ⋯ ¿ y (−N +2 ) ¿ ⋱ ¿ ¿ 0 ¿ 0 ¿ 0 ¿ ⋯ ¿ y (
⋱ ¿ y(N) y ( N −1 ) y ( N−2 ) ¿
Objectif de l'égalisation
Le but de l’égalisation est de déterminer les coefficients {hE ,n } pour minimiser la probabilité
d’erreur Pe sur les prises de décision en sortie. Cette probabilité d’erreur est une fonction non
linéaire des coefficients. Pour atteindre cet objectif, différents critères sont définis, dont le
premier est le critère du Zéro-Forcing (ZF).
2. Critère du Zéro – Forcing (ZF)
Le moyen le plus simple d’enlever l’IES est de choisir la fonction de transfert du circuit égaliseur
H E ( z ) de telle sorte que la sortie de l’égaliseur donne : a^ k =a k pour tout k et en l’absence de bruit.
Cela peut se réaliser en choisissant d’inverser le canal discret équivalent :
1
H E (z )=
G (z)
Cette méthode est appelée « égalisation par zéro – forcing » puisque les termes d’IES en sortie
d’égaliseur sont forcés à zéro.
2.1 Enoncé du critère ZF
figure
Considérons un seul bloc équivalent au canal discret et à l’égaliseur. Il est
représenté par sa réponse impulsionnelle {q ( k ) } telle que :
ˋ +∞
q ( t )=g ( t )∗h E ( t ) ,c’est- a -dire : qn= ∑ h E , j ⋅ gn − j ( 1 )
j=−∞
À la sortie de l’égaliseur, on peut donc écrire :
+∞ ∼
z k =q 0 ak + ∑ an qn−k + ∑ h E , n ⋅ wk−n ( 2 )
n≠ k n=−∞
On retrouve trois termes : le signal utile, le terme d’IES et le terme de bruit en sortie du filtre
égaliseur.
La distorsion maximum est la valeur maximale du terme d’IES, soit :
∑ ∣ qn ∣=∑ ∣ ∑ hE , j ⋅ gn− j ∣ (3 )
n ≠0 n≠ 0 j
La valeur de la distorsion dépend des coefficients de l’égaliseur pour un canal donné.
Donc, s’il est possible de choisir les {hE , j } de telle sorte que ce terme de distorsion soit nul, on
aura éliminé l’IES. Cette condition recherchée ( q n=0 , ∀ n ≠ 0 ) s’écrit :
{
+∞
q n= ∑ h E , j ⋅ gn− j = 1 si n=0 ( 4 )
j=−∞ 0 si n≠ 0
C’est le critère ZF.
On peut remarquer que le bruit est négligé dans le développement du critère ZF.
En pratique, le bruit est cependant toujours présent, et bien que les termes d’IES soient éliminés,
il y a des chances que le filtre égaliseur amplifie l’effet du bruit et donc dégrade les
performances. Pour examiner cet effet, on peut déterminer le rapport signal à bruit (SNR) en
sortie de l’égaliseur lorsque le filtre d’émission est fixé et le filtre de réception est le filtre adapté.
2.2 Rapport signal à bruit
On se place dans le cas :
¿ ¿
H r ( f )=H t ( f ) × H c ( f ) ( figure 3 du Chapitre 1 )
Donc, le filtre H ( z ) correspondant au regroupement des filtres d’émission/réception et du canal
est donné à partir de :
+∞
H (e 2 πjfT
T n =−∞ T T ( ) ( )
)= 1 ∑ H t f − n H c f − n ( 5)
La densité de puissance du bruit coloré, dont les échantillons sont w k , est alors donnée par :
N 0 +∞
γw (f )=
2 T n=−∞
∣ H f −
n
∑ t T c T ∣ ( 6)
H f −
n 2
( ) ( )
On peut choisir un filtre blanchissant H W ( z ) tel que :
1
H W (e )=
2 πjfT
H ( e2 πjfT )
N0
et la densité de puissance du bruit devient simplement .
2
La fonction de transfert du filtre équivalent s’écrit alors :
G ( e 2 πjfT ) =H ( e 2 πjfT ) × H W ( e2 πjfT )=H ( e2 πjfT ) ( 7 )
Pour le filtre égaliseur basé sur le critère ZF, on choisit donc :
1 1
H E( e )=
2 πjfT
= (8 )
G (e 2 πjfT
) H ( e 2 πjfT )
Le rapport signal à bruit (SNR) en sortie de l’égaliseur s’écrit dans ce cas :
E ( a 2k ) E ( a2k )
SNR= 1 /2 T
= (9 )
N N 0 1/ 2 T 1
2
∫ ∣ H E ( f ) ∣ 20 df 2
∫ ∣
2 −1/ 2T H ( e2 πjfT )
∣ df
−1 /2 T
Le SNR dépend du spectre du signal transmis et reçu à l’entrée du récepteur. On voit que s’il
existe des évanouissements, par exemple dans ce signal, le SNR en sortie de l’égaliseur devient
très faible. Il y a donc possibilité d’amplification du bruit. C’est un des inconvénients majeurs du
critère ZF.
3. Égaliseur MMSE (« Minimum Mean Square Error »)
3.1 Principe
L’égaliseur basé sur le critère ZF annule l’IES mais ne donne pas de bonnes performances car il
ne tient pas compte du bruit dans le système. L’égaliseur basé sur le critère MMSE tient compte
du bruit. Il est basé sur le critère de l’erreur quadratique moyenne (EQM) ou MSE (« Mean
Square Error »). C’est un critère robuste qui permet de déterminer les coefficients de l’égaliseur
en minimisant l’EQM.
L’EQM s’écrit :
EQM =E [ ( a k −z k )2 ]
figure
Si l’égaliseur compense parfaitement le canal équivalent et le bruit, en sortie on récupère
l’estimation z k des données émises a k avec fiabilité. Contrairement au cas du ZF, pour calculer
les coefficients, on tient compte du signal total reçu y k , donc du bruit.
3.2 Mise en œuvre
Considérons un filtre égaliseur à ( 2 N +1 ) coefficients :
figure
EQM=E [ ( a k −z k )2 ]=E [ ( a k −Y H E ) 2 ] ( 15 )
En développant l’expression, on obtient :
EQM =E [ a2k ]−2 E [ ak Y H E ] + E [ H TE Y T Y H E ]
On cherche à minimiser l’EQM par un choix judicieux des coefficients. Pour cela, on annule la
dérivée de l’EQM par rapport aux coefficients h E , j.
En utilisant les propriétés des transposées ( E [ ak Y H E ]=E [ H E Y ak ] ), la dérivée de l’EQM par
T T
rapport à H E donne :
−2 E [ ak Y ] +2 H TE E [ Y T Y ] =0 ( 16 )
Minimiser l’EQM revient donc à chercher le vecteur des coefficients H E tels que :
E [ a k Y ]=H TE E [ Y T Y ]
On pose :
ˊ ˊ ¸
R y =E [ Y T Y ] (matrice de corr e lation des donn e es rec ues)
ˊ ˊ ¸ ˊ ˊ
Ray =E [ ak Y ] (vecteur d’intercorr e lation entre donn e es re c ues et donn e es e mises)
Ainsi, on a à résoudre :
T
H E R y =Ray ( 18 )
Il est donc nécessaire, pour la mise en œuvre pratique, de connaître les données émises ! Pour
contourner cette difficulté, on utilise une séquence connue du récepteur appelée séquence
d’apprentissage, qui permet de calculer les coefficients à partir du calcul de l’inverse de la
matrice d’autocorrélation :
−1
H E=R y Ray ( 19 )
Avec :
Ray =E [ ak Y ] =E [ Y T a k ] ( 20 )
Cependant, la nécessité d’inclure dans l’émission une séquence d’apprentissage, éventuellement
répétée périodiquement si le système est non stationnaire, limite le débit des données utiles.