RÉPUBLIQUE TUNISIENNE

MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR

ET DE LA RECHERCHE SCIENTIFIQUE

Institut National des Sciences Appliquées et de

Technologie

Rapport de projet

Conception Inverse d’Antennes

Circulaires Multi-Anneaux par cGAN

Présenté par

Yassine CHOUK | Nadine Ben Hamida |Nour elislem Aydi

[IIA3/1 B]

Encadré par

Ismail Naoufel
Année universitaire 2025-2026
Résumé

La conception d’antennes circulaires multi-anneaux représente un défi majeur en

ingénierie des télécommunications, particulièrement avec l’essor des technologies 5G, IoT et
communications satellitaires. Le problème inverse – prédire la configuration géométrique
(nombre d’éléments par anneau) à partir du diagramme de rayonnement électromagnétique –
est intrinsèquement complexe en raison de sa non-unicité, sa non-linéarité et son coût
computationnel élevé avec les méthodes d’optimisation classiques.
Ce projet propose une approche innovante basée sur un cGAN (Conditional
Generative Adversarial Network) hybride fusionnant de manière synergique trois
sources d’information complémentaires : des images polaires du diagramme de rayonnement
(128×128 pixels), 50 features physiques extraites systématiquement du pattern
électromagnétique (HPBW, SLL, directivité, composantes FFT, moments statistiques,
etc.), et un vecteur
de bruit stochastique pour gérer l’ambiguïté inhérente au problème inverse.
Un dataset synthétique de 100,000 échantillons a été généré par simulation électromagnétique
rigoureuse (Array Factor) avec un contrôle qualité strict .Le modèle, entraîné sur 80,000
échantillons pendant 10-12 heures sur GPU, atteint une accuracy remarquable de 92.87%
sur le test set (10,000 échantillons)
Une étude d’ablation approfondie démontre l’importance critique de chaque composant :
les features physiques apportent +13.7% (vs CNN pur), le mécanisme d’attention +2.77%, et
le bruit stochastique +1.9%. L’analyse détaillée révèle 67. 23% d’échantillons parfaits (5/5
anneaux corrects), une erreur moyenne de seulement 0.36 éléments par échantillon, et une
robustesse exceptionnelle (variance de 0.012% sur 10 runs).
Ce travail ouvre des perspectives prometteuses pour l’automatisation de la conception
d’antennes, avec un gain de temps considérable (prédiction instantanée <10ms vs heures pour
algorithmes génétiques) et un potentiel d’application industrielle immédiat.

Mots-clés : cGAN, Conception inverse d’antennes, Apprentissage profond, Array Factor,

Fusion multimodale, Self-Attention, Features physiques, Télécommunications
Table des matières

Résumé i

Liste des Acronymes v

1 Introduction Générale 1
1.1 Contexte Général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Objectifs du Projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Objectif Principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Objectifs Secondaires . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Organisation du Rapport . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 État de l’Art 5
2.1 Théorie des Antennes Circulaires Multi-Anneaux . . . . . . . . . . . . . . . 5
2.1.1 Principe du Rayonnement Électromagnétique . . . . . . . . . . . . 5
2.1.2 Array Factor et Superposition Cohérente . . . . . . . . . . . . . . . 5
2.1.3 Paramètres de Performance Clés . . . . . . . . . . . . . . . . . . . . 6
2.2 Problème Inverse en Conception d’Antennes . . . . . . . . . . . . . . . . . 7
2.2.1 Définition et Formulation Mathématique . . . . . . . . . . . . . . . 7
2.2.2 Complexité Computationnelle . . . . . . . . . . . . . . . . . . . . . 8
2.2.3 Approches Classiques d’Optimisation . . . . . . . . . . . . . . . . . 8
2.3 Apprentissage Profond pour Problèmes Inverses . . . . . . . . . . . . . . . 10
2.3.1 Réseaux de Neurones Convolutifs (CNN) . . . . . . . . . . . . . . . 10
2.3.2 Generative Adversarial Networks (GAN) . . . . . . . . . . . . . . . 10
2.3.3 Conditional GAN (cGAN) . . . . . . . . . . . . . . . . . . . . . . . 11

3 Méthodologie 12
3.1 Génération du Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.1 Paramètres de Simulation . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.2 Géométrie des Anneaux . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.3 Calcul de l’Array Factor . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.4 Extraction des 50 Features Physiques . . . . . . . . . . . . . . . . . 14
3.1.5 Génération des Images Polaires . . . . . . . . . . . . . . . . . . . . 17
3.1.6 Contrôle Qualité et Filtrage . . . . . . . . . . . . . . . . . . . . . . 18
3.1.7 Statistiques Finales du Dataset . . . . . . . . . . . . . . . . . . . . 18
3.2 Prétraitement des Données . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 Split Train/Validation/Test . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 Augmentation de Données . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Architecture du cGAN Hybride . . . . . . . . . . . . . . . . . . . . . . . . 19

ii
Table des matières

3.3.1 Vue d’Ensemble du Pipeline . . . . . . . . . . . . . . . . . . . . . . 19

3.3.2 Générateur Hybride – Architecture Détaillée . . . . . . . . . . . . . 20
3.3.3 Discriminateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Fonctions de Perte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4.1 Loss du Générateur . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4.2 Loss du Discriminateur . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5.1 Hyperparamètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5.2 Stratégie d’Optimisation . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5.3 Environnement Technique . . . . . . . . . . . . . . . . . . . . . . . 24

4 Résultats Expérimentaux 26
4.1 Protocole d’Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.1 Métriques Utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.2 Méthodologie Multi-Runs . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Performances Globales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.1 Résultats Principaux . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.2 Accuracy par Anneau . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.3 Distribution des Erreurs . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Étude d’Ablation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3.1 Impact des Composants . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3.2 Top 10 Features Importantes (Analyse SHAP) . . . . . . . . . . . . 28
4.4 Analyse des Cas d’Erreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4.1 Types d’Erreurs Fréquentes . . . . . . . . . . . . . . . . . . . . . . 29
4.4.2 Configurations Difficiles . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4.3 Limites du Modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.5 Tests Manuels Interactifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

5 Discussion 31
5.1 Interprétation des Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.1.1 Pourquoi le Modèle Hybride Fonctionne Mieux . . . . . . . . . . . . 31
5.2 Avantages de l’Approche Proposée . . . . . . . . . . . . . . . . . . . . . . . 32
5.2.1 Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.2.2 Interprétabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.2.3 Robustesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.2.4 Efficacité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3 Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3.1 Limitations Techniques . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3.2 Limitations du Dataset . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.3.3 Limitations Pratiques . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.4 Comparaison Critique avec l’État de l’Art . . . . . . . . . . . . . . . . . . 34
5.4.1 Points Forts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.4.2 Points Faibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.4.3 Originalité de la Contribution . . . . . . . . . . . . . . . . . . . . . 34

iii
Table des matières

6 Conclusion Générale 36
6.1 Synthèse des Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.1.1 Contributions Scientifiques Majeures . . . . . . . . . . . . . . . . . 36
6.1.2 Contributions Techniques . . . . . . . . . . . . . . . . . . . . . . . 36
6.2 Résultats Principaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.3 Perspectives et Travaux Futurs . . . . . . . . . . . . . . . . . . . . . . . . 37
6.3.1 Court Terme (3-6 mois) . . . . . . . . . . . . . . . . . . . . . . . . 37
6.3.2 Moyen Terme (6-12 mois) . . . . . . . . . . . . . . . . . . . . . . . 38
6.3.3 Long Terme (1-2 ans) . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.4 Impact Potentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4.1 Impact Industriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4.2 Impact Académique . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4.3 Impact Sociétal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.5 Remarques Finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Annexes 41

iv
Liste des Acronymes

AF Array Factor (Facteur de Réseau)

AI Artificial Intelligence (Intelligence Artificielle)
BCE Binary Cross-Entropy
CAD Computer-Aided Design
cGAN Conditional Generative Adversarial Network
CNN Convolutional Neural Network
CST Computer Simulation Technology
dB Décibel
EM Électromagnétique
F/B Front-to-Back Ratio
FFT Fast Fourier Transform (Transformée de Fourier Rapide)
GA Genetic Algorithm (Algorithme Génétique)
GAN Generative Adversarial Network
GPU Graphics Processing Unit
HFSS High Frequency Structure Simulator
HPBW Half-Power Beamwidth (Largeur de Faisceau à Mi-Puissance)
IoT Internet of Things (Internet des Objets)
MLP Multi-Layer Perceptron
MSE Mean Squared Error (Erreur Quadratique Moyenne)
PAR Peak-to-Average Ratio
PSO Particle Swarm Optimization
ReLU Rectified Linear Unit
RF Radio Frequency (Radiofréquence)
ROI Return On Investment
SHAP SHapley Additive exPlanations
SLL Sidelobe Level (Niveau des Lobes Secondaires)
SOTA State Of The Art (État de l’Art)
TTM Time To Market
WiFi Wireless Fidelity

v
Chapitre 1

Introduction Générale

1.1 Contexte Général

La conception d’antennes représente un défi majeur dans le domaine des télécommuni-
cations modernes. Avec l’explosion des technologies sans fil – 5G offrant des débits multi-
gigabits, WiFi 6 pour les réseaux locaux haute performance, réseaux IoT massivement
distribués, communications satellitaires en orbite basse – la demande pour des antennes
performantes, compactes, multi-bandes et optimisées n’a jamais été aussi critique. Les
antennes circulaires multi-anneaux, en particulier, offrent des capacités de contrôle du
diagramme de rayonnement exceptionnelles grâce à leur géométrie flexible permettant
d’ajuster finement la directivité, le gain et la forme des lobes.
Traditionnellement, la conception d’antennes suit un processus direct bien établi :
l’ingénieur définit une configuration géométrique (nombre d’éléments rayonnants, posi-
tions, phases, amplitudes), puis simule le diagramme de rayonnement résultant via des
outils de simulation électromagnétique commerciaux tels que HFSS (Ansys) ou CST Mi-
crowave Studio. Ce processus, bien que rigoureux, est itératif et chronophage : l’ingénieur
ajuste empiriquement les paramètres jusqu’à obtenir un pattern satisfaisant les spécifica-
tions.
Cependant, dans de nombreuses applications pratiques industrielles, le besoin est pré-
cisément inverse : les cahiers des charges clients spécifient un diagramme de rayonne-
ment cible (gain minimal dans une direction, lobes secondaires contraints, couverture
angulaire spécifique) et l’ingénieur doit retrouver la configuration géométrique correspon-
dante. Cette approche inverse est conceptuellement plus naturelle pour le processus de
conception centré sur les spécifications.
Ce problème inverse est intrinsèquement complexe pour plusieurs raisons fonda-
mentales :
— Non-unicité de la solution : Plusieurs configurations géométriques distinctes
peuvent produire des diagrammes de rayonnement quasi-identiques (à quelques
décibels près). Par exemple, deux antennes avec des répartitions d’éléments diffé-
rentes ([5,7,6,4,3] vs [6,6,6,4,3]) peuvent exhiber des patterns très similaires selon
la fréquence et l’angle de pointage.
— Non-linéarité de la transformation : La relation mathématique entre la géo-
métrie (positions des éléments) et le diagramme de rayonnement (Array Factor)
est hautement non-linéaire, impliquant des interférences constructives et destruc-
tives complexes. Cette non-linéarité rend les approches d’optimisation classiques
inefficaces.

1
Chapitre 1. Introduction Générale

— Haute dimensionnalité de l’espace de recherche : Pour une antenne à 5

anneaux avec 0 à 10 éléments possibles par anneau, l’espace des configurations
compte 115 = 161, 051 possibilités. Une recherche exhaustive est prohibitive, et les
heuristiques ne garantissent pas l’optimalité.
— Coût computationnel élevé : Les méthodes d’optimisation traditionnelles (algo-
rithmes génétiques, recuit simulé, optimisation par essaim particulaire) nécessitent
des milliers à des dizaines de milliers d’évaluations de la fonction objectif (simula-
tions EM), résultant en des temps de calcul de plusieurs heures à plusieurs jours
pour une seule conception.
L’apprentissage profond, et plus particulièrement les Generative Adversarial Net-
works (GAN) introduits par Goodfellow et al. en 2014, offrent une alternative para-
digmatiquement différente et prometteuse. En apprenant directement la relation inverse
à partir d’un large corpus de données simulées (couples pattern EM ↔ configuration),
un modèle neuronal peut prédire quasi-instantanément une configuration à partir d’un
diagramme cible, sans nécessiter d’optimisation itérative coûteuse. Cette approche data-
driven complète élégamment les méthodes analytiques classiques.

1.2 Problématique
La question centrale de ce travail est :

Comment concevoir un modèle d’apprentissage profond capable de résoudre

efficacement et avec une haute précision le problème inverse de conception
d’antennes circulaires multi-anneaux, en prédisant la configuration géométrique
complète à partir du diagramme de rayonnement électromagnétique, avec une
performance surpassant l’état de l’art actuel et approchant voire dépassant les
capacités d’un expert humain ?

Cette problématique soulève plusieurs défis techniques et scientifiques majeurs :

1. Représentation optimale des données : Comment encoder efficacement le dia-
gramme de rayonnement (signal 1D angulaire) en une représentation exploitable
par un réseau de neurones profond ? Faut-il utiliser la représentation brute 1D, une
transformation 2D (image polaire), ou des features extraites ?
2. Extraction d’information pertinente : Quelles features physiques du pattern
électromagnétique (largeur de faisceau HPBW, niveau des lobes secondaires SLL,
directivité, symétrie, composantes fréquentielles) sont réellement discriminantes
pour distinguer les configurations ? Comment les extraire automatiquement et sys-
tématiquement ?
3. Architecture neuronale adaptée : Quelle architecture (CNN pur, cGAN, Trans-
former, architecture hybride) est la plus adaptée pour capturer la relation complexe
et non-linéaire entre le pattern EM et la géométrie de l’antenne ? Comment fusion-
ner efficacement plusieurs modalités d’information ?
4. Gestion de l’ambiguïté intrinsèque : Comment le modèle peut-il gérer la non-
unicité du problème inverse (plusieurs solutions valides) ? Peut-on introduire un
mécanisme stochastique permettant d’explorer l’espace des solutions possibles ?

2
Chapitre 1. Introduction Générale

5. Performance et généralisation : Peut-on atteindre une précision suffisamment

élevée (objectif : >90% d’accuracy) pour envisager un déploiement industriel réel ?
Le modèle généralise-t-il correctement sur des configurations non vues pendant
l’entraînement ?

1.3 Objectifs du Projet

Les objectifs de ce projet sont articulés autour d’un objectif principal ambitieux et de
plusieurs objectifs secondaires complémentaires.

1.3.1 Objectif Principal

Développer un modèle de cGAN (Conditional Generative Adversarial Net-
work) hybride fusionnant de manière synergique trois sources d’information complé-
mentaires :
— Images polaires du diagramme de rayonnement (résolution 128×128 pixels, re-
présentation visuelle intuitive)
— 50 features physiques extraites systématiquement du pattern électromagnétique
(propriétés mesurables : HPBW, SLL, directivité, composantes FFT, moments
statistiques, etc.)
— Vecteur de bruit stochastique (dimension 128) pour gérer l’ambiguïté inhé-
rente au problème inverse et permettre une exploration probabiliste de l’espace des
solutions
Et atteindre une accuracy supérieure à 90% sur un test set indépendant de 10,000
échantillons, surpassant significativement l’état de l’art actuel (CNN ResNet-18 : 62%,
publié par Li et al. en 2020).

1.3.2 Objectifs Secondaires

1. Génération d’un dataset riche et diversifié : Créer un dataset synthétique de
100,000 échantillons de haute qualité via simulation électromagnétique rigoureuse
(calcul de l’Array Factor), avec contrôle qualité strict pour éliminer les patterns
dégénérés ou non physiques.
2. Conception d’un pipeline d’extraction de features : Développer un sys-
tème d’extraction automatique de 50 features physiques pertinentes, organisées en
8 groupes thématiques (configuration, balance radiale, ratios inter-anneaux, gain,
lobes, FFT, moments statistiques, features avancés), capturant les propriétés dis-
criminantes du diagramme.
3. Proposition d’une architecture innovante : Concevoir une architecture neu-
ronale multimodale originale fusionnant efficacement les trois modalités (image via
CNN profond avec Self-Attention, features physiques via MLP, bruit via MLP),
avec mécanismes d’attention pour capturer les dépendances spatiales longue dis-
tance.
4. Évaluation rigoureuse et approfondie : Mettre en place un protocole d’éva-
luation robuste avec métriques détaillées (accuracy globale et par anneau, perfect
samples, distribution des erreurs), matrices de confusion pour chaque anneau, ana-
lyse de variance sur 10 runs indépendants, et intervalles de confiance à 95%.

3
Chapitre 1. Introduction Générale

5. Comparaison exhaustive avec l’état de l’art : Benchmarker systématique-

ment le modèle proposé contre les méthodes existantes (baseline aléatoire, MLP
classique, CNN pur, cGAN pur, SOTA ResNet-18, et estimation expert humain),
avec calcul des gains absolus et relatifs pour chaque métrique.
6. Étude d’ablation détaillée : Quantifier précisément la contribution de chaque
composant de l’architecture (features physiques, bruit stochastique, mécanisme
d’attention) via des expériences d’ablation systématiques, démontrant empirique-
ment l’importance de l’approche hybride.

1.4 Organisation du Rapport

Ce rapport est structuré de manière logique et progressive en six chapitres principaux :
— Chapitre 2 – État de l’art : Fondements théoriques des antennes circulaires
multi-anneaux (rayonnement EM, Array Factor, paramètres de performance), for-
mulation du problème inverse (complexité, non-unicité), panorama de l’apprentis-
sage profond (CNN, GAN, cGAN).
— Chapitre 3 – Méthodologie : Description exhaustive du pipeline complet : gé-
nération du dataset par simulation EM (100K échantillons, contrôle qualité), ex-
traction systématique des 50 features physiques (8 groupes détaillés), architecture
du cGAN hybride (générateur multimodal, discriminateur avec classification auxi-
liaire), fonctions de perte (adversariale, Focal Loss, MSE), et stratégie d’entraîne-
ment (hyperparamètres, optimisation AdamW, early stopping).
— Chapitre 4 – Résultats expérimentaux : Présentation rigoureuse des perfor-
mances obtenues : protocole d’évaluation (métriques, multi-runs), résultats globaux
(92.87% accuracy, 67.23% perfect samples), analyse détaillée par anneau,analyse
des cas d’erreur, et tests manuels interactifs.
— Chapitre 5 – Discussion : Interprétation approfondie des résultats (pourquoi
l’approche hybride surpasse les méthodes pures, rôle critique des features phy-
siques, mécanisme de gestion de l’ambiguïté, surpassement de l’expert humain),
synthèse des avantages (performance, interprétabilité, robustesse, efficacité), dis-
cussion honnête des limitations (dépendance au dataset, ambiguïté résiduelle, va-
lidation expérimentale manquante), et comparaison critique avec l’état de l’art.
— Chapitre 6 – Conclusion : Synthèse des contributions scientifiques et techniques
majeures, récapitulatif des résultats principaux, et perspectives détaillées des tra-
vaux futurs à court terme (validation expérimentale sur antennes réelles), moyen
terme (extension à d’autres géométries, multi-objectifs) et long terme (framework
généraliste, intégration CAD, intelligence hybride humain-AI).

4
Chapitre 2

État de l’Art

2.1 Théorie des Antennes Circulaires Multi-Anneaux

2.1.1 Principe du Rayonnement Électromagnétique
Une antenne est un dispositif de transduction bidirectionnel capable de convertir un
signal électrique guidé (courant dans un conducteur) en onde électromagnétique se propa-
geant librement dans l’espace (émission), ou inversement de capter une onde EM incidente
et la convertir en signal électrique (réception). Selon le principe de réciprocité d’Helmholtz,
les propriétés d’une antenne en émission et en réception sont identiques.
Le diagramme de rayonnement (ou pattern de rayonnement) d’une antenne ca-
ractérise quantitativement la distribution spatiale de la puissance rayonnée (ou reçue)
en fonction de la direction d’observation, paramétrée par les angles sphériques (θ, ϕ). Ce
diagramme est généralement représenté en coordonnées polaires (2D) ou sphériques (3D),
avec les valeurs normalisées en décibels par rapport au maximum.
Pour une antenne isotrope idéale (source ponctuelle rayonnant uniformément dans
toutes les directions), le diagramme serait une sphère parfaite. En pratique, toutes les
antennes réelles présentent une directivité : elles concentrent l’énergie dans certaines
directions privilégiées formant des lobes principaux (zones de forte intensité), au dé-
triment d’autres directions où apparaissent des lobes secondaires (zones de plus faible
intensité mais non nulles) et des nulls (directions de rayonnement minimal ou nul).

2.1.2 Array Factor et Superposition Cohérente

Une antenne réseau (array antenna) est constituée de multiples éléments rayonnants
discrets disposés selon une géométrie spécifique. Le principe fondamental régissant le
comportement d’un réseau d’antennes est celui de la superposition cohérente : les
ondes électromagnétiques émises par chaque élément interfèrent dans l’espace selon leurs
phases relatives, produisant des interférences constructives (addition des amplitudes) dans
certaines directions et destructives (annulation partielle ou totale) dans d’autres.
Le champ électromagnétique total rayonné par le réseau est la somme vectorielle des
contributions de tous les éléments. En supposant des éléments identiques et isotropes
(approximation valide en première approche), le diagramme de rayonnement du réseau se
factorise en deux termes selon le théorème de factorisation :

Etotal (θ, ϕ) = Eélément (θ, ϕ) × AF (θ, ϕ) (2.1)

5
Chapitre 2. État de l’Art

où Eélément est le diagramme d’un élément isolé et AF (θ, ϕ) est le facteur de réseau
(Array Factor), dépendant uniquement de la géométrie du réseau (positions, nombres,
phases).
Le facteur de réseau pour un réseau quelconque de N éléments s’exprime mathémati-
quement par :
N
X
AF (θ, ϕ) = ai · ejψi (2.2)
i=1

où :
— ai est l’amplitude d’excitation de l’élément i (pondération)
— ψi = k⃗ri · û + δi est la phase totale de l’élément i
— k = 2π/λ est le nombre d’onde (où λ est la longueur d’onde)
— ⃗ri est le vecteur position de l’élément i
— û = (sin θ cos ϕ, sin θ sin ϕ, cos θ) est le vecteur unitaire de direction
— δi est un déphasage appliqué électriquement (pour le pointage électronique)
Pour une antenne circulaire multi-anneaux avec R anneaux concentriques, Nr éléments
répartis uniformément sur l’anneau r de rayon rr , et en considérant un pointage vers un
angle d’élévation θ0 dans le plan azimutal ϕ = 0, le facteur de réseau se simplifie en (pour
des amplitudes unitaires et un déphasage adapté au pointage) :
R X
X Nr
AF (θ) = ejkrr (cos ϕm sin θ−sin θ0 cos ϕm ) (2.3)
r=1 m=1

où ϕm = 2πm/Nr est la position angulaire du m-ième élément sur l’anneau.

Cette formulation montre que le pattern résultant dépend de manière complexe et non-
linéaire de la répartition des éléments (N1 , . . . , NR ), justifiant la difficulté du problème
inverse.

2.1.3 Paramètres de Performance Clés

Les paramètres suivants caractérisent quantitativement la qualité d’un diagramme de
rayonnement :
— HPBW (Half-Power Beamwidth) : Largeur angulaire du lobe principal me-
surée entre les deux points à -3 dB du maximum (correspondant à une puissance
divisée par deux). Un HPBW faible indique une forte directivité. Typiquement
entre 10° et 60° pour les antennes directives.
Formule : HPBW = θ2 − θ1 où AF (θ1 ) = AF (θ2 ) = AFmax − 3 dB
— SLL (Sidelobe Level) : Niveau du lobe secondaire le plus élevé par rapport au
lobe principal, exprimé en décibels négatifs. Un SLL faible (par exemple -25 dB ou
moins) indique une bonne qualité de diagramme avec peu d’énergie rayonnée dans
les directions non désirées. Le SLL est crucialpour minimiser les interférences.
Formule : SLL = 20 log10 AFlobe AF
secondaire max
max
(en dB)
— Directivité D : Rapport entre l’intensité de rayonnement dans la direction du
maximum et l’intensité moyenne rayonnée dans toutes les directions par une source
isotrope de même puissance totale. Mesure quantitative de la concentration du
rayonnement.

6
Chapitre 2. État de l’Art

Formule :
4πUmax
D = R 2π R π (2.4)
0 0
U (θ, ϕ) sin θ dθ dϕ
où U (θ, ϕ) est l’intensité de rayonnement. Souvent exprimée en dBi (dB par
rapport à l’isotrope).
Une approximation empirique de Kraus relie la directivité au HPBW :
41253
D≈ (pour faisceaux étroits) (2.5)
(HPBWθ )2

— Ratio Front-to-Back (F/B) : Rapport entre le rayonnement dans la direction

avant (0°) et arrière (180°), exprimé en dB. Un ratio F/B élevé (> 20 dB) indique
une bonne réjection du rayonnement arrière, important pour minimiser les échos
et interférences.  
Formule : F/B = 20 log10 AF (180) (en dB)
AF (0)

Ces paramètres constituent des features physiques naturelles et interprétables qui se-
ront exploitées dans notre approche hybride.

2.2 Problème Inverse en Conception d’Antennes

2.2.1 Définition et Formulation Mathématique
Le problème direct en conception d’antennes est un problème bien posé au sens de
Hadamard : étant donnée une configuration géométrique complète C = {N1 , N2 , . . . , NR }
(nombre d’éléments sur chaque anneau), on peut calculer de manière déterministe et
unique le diagramme de rayonnement résultant D(θ) via l’opérateur de simulation élec-
tromagnétique F (calcul de l’Array Factor) :
F
Problème direct : C −
→ D(θ) (2.6)
Cette transformation F est bien définie, continue, et peut être calculée efficacement
(temps polynomial en la taille du réseau).
Le problème inverse, qui nous intéresse ici, consiste à trouver la configuration C
connaissant le diagramme cible D(θ) :
F −1
Problème inverse : D(θ) −−→ C (2.7)
Ce problème inverse est fondamentalement mal posé au sens de Hadamard pour trois
raisons critiques :
1. Non-existence de solution : Pour un diagramme cible arbitraire, il peut ne pas
exister de configuration discrète produisant exactement ce pattern (contraintes de
discrétisation).
2. Non-unicité de la solution : Même si une solution existe, elle n’est généralement
pas unique. Plusieurs configurations géométriques distinctes peuvent produire des
diagrammes de rayonnement quasi-identiques (à quelques dixièmes de dB près). Par
exemple, les configurations C1 = [5, 7, 6, 4, 3] (25 éléments) et C2 = [6, 6, 6, 4, 3] (25
éléments) peuvent exhiber des patterns très similaires pour certaines fréquences et
angles.

7
Chapitre 2. État de l’Art

Cette ambiguïté est intrinsèque au problème physique : différentes distributions

spatiales d’éléments peuvent produire des interférences constructives/destructives
équivalentes dans certaines directions.
3. Instabilité (discontinuité) : De petites variations dans le diagramme observé
D(θ) (dues par exemple au bruit de mesure, aux imprécisions de fabrication, ou
aux conditions environnementales) peuvent entraîner de grandes variations dans la
configuration prédite. L’opérateur inverse F −1 n’est pas continu.
Ces caractéristiques rendent les méthodes d’inversion classiques (inversion matricielle,
déconvolution) inefficaces ou instables. Des techniques de régularisation (Tikhonov, va-
riation totale) peuvent améliorer la stabilité mais ne résolvent pas fondamentalement le
problème de non-unicité.

2.2.2 Complexité Computationnelle

Au-delà du caractère mal posé, le problème inverse présente également une haute
complexité computationnelle :
— Espace de recherche exponentiel : Pour R anneaux avec chacun M choix
possibles (ici R = 5, M = 11 car 0 à 10 éléments), l’espace des configurations
compte M R possibilités. Pour notre cas : 115 = 161, 051 configurations distinctes.
Une recherche exhaustive naïve nécessiterait 161K simulations EM.
— Paysage d’optimisation multi-modal : La fonction objectif f (C) = ∥Dcible −
F(C)∥ (distance entre pattern cible et pattern simulé pour la configuration C)
présente de multiples minima locaux, rendant les algorithmes d’optimisation locale
(gradient, quasi-Newton) inefficaces. Ils convergent vers un minimum local proche
de l’initialisation, rarement vers le minimum global.
— Non-différentiabilité : La configuration C est discrète (entiers), rendant im-
possible l’utilisation directe de méthodes basées sur le gradient. Des relaxations
continues sont possibles mais introduisent des erreurs d’approximation.

2.2.3 Approches Classiques d’Optimisation

Face à ces difficultés, les méthodes traditionnelles utilisent des heuristiques d’optimi-
sation globale stochastiques :

Algorithmes Génétiques (GA)

Les algorithmes génétiques, inspirés de l’évolution biologique, explorent l’espace de
recherche par sélection, croisement et mutation de populations de solutions candidates :

8
Chapitre 2. État de l’Art

Input: Diagramme cible Dcible , taille population P , nb générations G, taux

mutation pm
Output: Configuration optimale C ∗
Initialiser population aléatoire P0 = {C1 , . . . , CP };
for g = 1 to G do
// Évaluation fitness
for chaque Ci ∈ Pg do
Simuler Di = F(Ci ) // Coût élevé
Calculer fitness : fi = −∥Di − Dcible ∥22 ;
end
// Sélection par tournoi
Sélectionner P/2 meilleurs individus (élitisme);
// Reproduction
for k = 1 to P/2 do
Choisir deux parents aléatoirement parmi les sélectionnés;
Créer enfant par croisement (crossover uniforme);
Muter enfant avec probabilité pm ;
Ajouter enfant à Pg+1 ;
end
end
return C ∗ = arg maxCi ∈PG fi ;
Algorithm 1: Algorithme Génétique pour Conception Inverse
Avantages : Exploration globale de l’espace, pas de gradient nécessaire, parallélisable
facilement.
Inconvénients majeurs :
— Très lent : nécessite typiquement P ×G = 100×500 = 50, 000 évaluations de fitness,
soit 50K simulations EM (plusieurs heures à plusieurs jours selon la complexité du
modèle EM).
— Pas de garantie de convergence vers l’optimum global.
— Nombreux hyperparamètres à régler (taux mutation, crossover, pression sélection).

Optimisation par Essaim Particulaire (PSO)

Le PSO, proposé par Kennedy et Eberhart en 1995, s’inspire du comportement social
des essaims d’oiseaux. Chaque particule (solution candidate) se déplace dans l’espace de
recherche en combinant sa propre expérience (meilleure position visitée) et l’expérience
collective (meilleure position globale de l’essaim).
Équations de mise à jour :
(t+1) (t) (t) (t)
vi = ωvi + c1 r1 (pbest
i − xi ) + c2 r2 (g best − xi ) (2.8)
(t+1) (t) (t+1)
xi = xi + vi (2.9)

où ω est l’inertie, c1 , c2 les coefficients d’apprentissage, et r1 , r2 des nombres aléatoires.

Avantages : Moins de paramètres que GA, convergence souvent plus rapide.
Inconvénients similaires : Coût computationnel élevé (104 à 105 évaluations), pas
d’optimalité garantie, difficulté sur espaces discrets (nécessite projection).
Bilan des méthodes classiques : Ces approches, bien que robustes, souffrent d’un
coût prohibitif en temps de calcul (heures à jours pour une seule conception), rendant
impossible leur utilisation dans un contexte industriel nécessitant de concevoir des dizaines

9
Chapitre 2. État de l’Art

d’antennes différentes avec des spécifications variées. L’apprentissage profond offre un

paradigme radicalement différent.

2.3 Apprentissage Profond pour Problèmes Inverses

2.3.1 Réseaux de Neurones Convolutifs (CNN)
Les CNN, popularisés par LeCun et al. dans les années 1990 et révolutionnés par
AlexNet (Krizhevsky et al., 2012), exploitent la structure spatiale locale des images via
l’opération de convolution :
XX
(f ∗ g)[i, j] = f [m, n] · g[i − m, j − n] (2.10)
m n

où f est l’image d’entrée et g le filtre convolutif (kernel).

Avantages clés des CNN :
— Invariance par translation : Un même filtre détecte une feature (bord, texture)
quelle que soit sa position.
— Partage de poids : Réduction drastique du nombre de paramètres (106 vs 109
pour fully-connected).
— Hiérarchie de features : Couches successives extraient des features de plus en
plus abstraites (bords → textures → formes → objets).
Une architecture CNN typique pour classification se compose de :
1. Couches convolutives : Extraction features via filtres appris
2. Fonctions d’activation : Non-linéarités (ReLU, LeakyReLU)
3. Pooling : Réduction dimensionnalité (max-pooling, average-pooling)
4. Couches fully-connected : Classification finale
Application au problème inverse d’antennes : Un CNN peut apprendre direc-
tement le mapping D(θ) → C en traitant le diagramme polaire comme une "image"
(représentation 2D du signal 1D). Les convolutions capturent les structures spatiales du
pattern (position et forme des lobes).

2.3.2 Generative Adversarial Networks (GAN)

Les GAN, introduits par Goodfellow et al. (2014) dans un article devenu l’un des plus
cités en deep learning, représentent une rupture conceptuelle majeure. Au lieu d’entraîner
un modèle unique de manière supervisée, un GAN met en compétition deux réseaux
adverses :
— Générateur G : Réseau neuronal cherchant à créer des données synthétiques réa-
listes à partir d’un vecteur de bruit aléatoire z ∼ N (0, I) (distribution gaussienne
standard) :
G : Rdz → Rdx (2.11)
— Discriminateur D : Réseau neuronal entraîné à distinguer les vraies données (du
dataset) des fausses données (générées par G) :

D : Rdx → [0, 1] (2.12)

La sortie de D est interprétée comme la probabilité que l’entrée soit réelle.

10
Chapitre 2. État de l’Art

Le processus d’entraînement est formulé comme un jeu à deux joueurs à somme nulle
(minimax game) :

min max Ex∼pdata [log D(x)] + Ez∼pz [log(1 − D(G(z)))] (2.13)

G D

Interprétation intuitive :
— Le discriminateur D cherche à maximiser sa capacité à distinguer vrai (D(x) → 1)
et faux (D(G(z)) → 0).
— Le générateur G cherche à tromper D en produisant des faux indiscernables des
vrais (D(G(z)) → 1).
À l’équilibre de Nash, le générateur a appris la distribution des données réelles : pG =
pdata .
Défis des GAN :
— Instabilité d’entraînement (oscillations, mode collapse)
— Sensibilité aux hyperparamètres
— Difficulté d’évaluation objective de la qualité
Des améliorations architecturales (DCGAN, Spectral Normalization, Progressive Gro-
wing) et algorithmiques (Wasserstein loss, gradient penalty) ont significativement stabilisé
l’entraînement.

2.3.3 Conditional GAN (cGAN)

Les cGAN, proposés par Mirza & Osindero (2014), étendent les GAN en conditionnant
la génération sur une information auxiliaire y (classe, label, image, texte, etc.) :

min max Ex,y [log D(x|y)] + Ez,y [log(1 − D(G(z|y)|y))] (2.14)

G D

Intuition : Au lieu de générer aléatoirement, le générateur produit des données spéci-

fiques à la condition y. Par exemple, pour y = diagramme de rayonnement, G(z|y) génère
une configuration d’antenne cohérente avec ce diagramme.
Architectures typiques :
— Condition y concaténée au vecteur de bruit z en entrée de G
— Condition y injectée via projection dans les couches intermédiaires
— Condition y traitée par un encodeur dédié puis fusionnée
Application aux antennes : Le cGAN peut apprendre la distribution conditionnelle
p(C|D(θ)) – probabilité d’une configuration sachant le diagramme – ce qui correspond
précisément au problème inverse. Le bruit z permet de gérer l’ambiguïté en générant
plusieurs configurations plausibles pour un même diagramme.

11
Chapitre 3

Méthodologie

Ce chapitre décrit exhaustivement le pipeline méthodologique complet : génération du

dataset par simulation EM, extraction systématique des 50 features physiques, architec-
ture détaillée du cGAN proposé, fonctions de perte, et stratégie d’entraînement.

3.1 Génération du Dataset

3.1.1 Paramètres de Simulation
Le dataset est généré entièrement par simulation numérique via le calcul du facteur
de réseau (Array Factor). Cette approche synthétique permet de :
— Générer rapidement un grand volume de données (105 échantillons)
— Contrôler précisément la diversité des configurations
— Disposer de labels parfaitement exacts (pas d’erreur d’annotation)
— Éviter le coût prohibitif de fabrication et mesure d’antennes réelles
Paramètres globaux :
— Nombre d’échantillons cible : 100,000 (après contrôle qualité)
— Seed aléatoire : 42 (reproductibilité)
— Résolution angulaire : 1000 points (∆θ ≈ 0.36)
Paramètres variables (tirages aléatoires) :
— Fréquences porteuses : Tirées uniformément parmi 3 bandes ISM :
— 1.0 GHz (L-band, satellite)
— 2. 45 GHz (S-band, WiFi, Bluetooth)
— 5.0 GHz (C-band, WiFi 5GHz, radar)
— Angle de pointage principal : θ0 ∈ [0, 180], tirage uniforme. Angle d’élévation
vers lequel le lobe principal est orienté.
— Configuration des anneaux : Pour chaque anneau r ∈ {1, 2, 3, 4, 5}, nombre
d’éléments Nr ∈ {0, 1, . . . , 10}, tirage uniforme indépendant.
Contrainte : Si tous les anneaux sont vides ( Nr = 0), forcer aléatoirement
P
un anneau à avoir au moins 1 élément (éviter antenne vide triviale).
Cette diversité de paramètres assure une bonne couverture de l’espace des configura-
tions et améliore la capacité de généralisation du modèle.

12
 Chapitre 3. Méthodologie

3.1.2 Géométrie des Anneaux

La géométrie de l’antenne multi-anneaux est définie par les rayons des 5 anneaux
concentriques, calculés en fonction de la longueur d’onde λ = c/f (où c = 3 × 108 m/s est
la vitesse de la lumière) :

rn = r0 + (n − 1) · ∆r, n ∈ {1, 2, 3, 4, 5} (3.1)

avec les paramètres normalisés suivants (règles de conception classiques) :
— Rayon initial : r0 = 0.2λ (suffisamment grand pour éviter couplage mutuel fort,
suffisamment petit pour antenne compacte)
— Espacement inter-anneaux : ∆r = 0.5λ (espacement standard assurant un bon
compromis entre directivité et largeur de faisceau)
Ces choix résultent d’un compromis ingénierie : espacement trop faible → couplage
mutuel fort (modèle Array Factor moins précis), espacement trop grand → antenne en-
combrante et lobes de grille indésirables.
Pour les trois fréquences utilisées :
— À 1 GHz : λ = 30 cm, r0 = 6 cm, ∆r = 15 cm, r5 = 66 cm
— À 2.45 GHz : λ = 12.2 cm, r0 = 2.4 cm, ∆r = 6.1 cm, r5 = 26.9 cm
— À 5 GHz : λ = 6 cm, r0 = 1.2 cm, ∆r = 3 cm, r5 = 13.2 cm
Sur chaque anneau de rayon rn , les Nn éléments sont répartis uniformément avec un
espacement angulaire :
2πm
ϕm = , m ∈ {0, 1, . . . , Nn − 1} (3.2)
Nn
Cette répartition uniforme simplifie le calcul de l’Array Factor et correspond à une
pratique courante en conception d’antennes circulaires.

3.1.3 Calcul de l’Array Factor

Le facteur de réseau (Array Factor) est calculé numériquement via la formulation
exacte présentée au Chapitre 2. En supposant des éléments isotropes, des amplitudes
d’excitation unitaires, et un déphasage progressif pour pointer vers θ0 , l’expression se
réduit à :
5 X
X Nr
AF (θ) = exp (jkrr [cos(ϕm ) sin(θ) − sin(θ0 ) cos(ϕm )]) (3.3)
r=1 m=1

où :
— k = 2π/λ : nombre d’onde (rad/m)
— rr : rayon de l’anneau r (mètres)
— ϕm = 2πm/Nr : position angulaire de l’élément m sur l’anneau
— θ : angle d’observation (de 0 à 2π radians)
— θ0 : angle de pointage principal
L’implémentation Python dans le script dataset. py est la suivante :
Listing 3.1 – Simulation de l’Array Factor (extrait [Link])
1 def simulate_antenna ( elements , freq , theta0_deg ) :
2 " " " Simule ␣ le ␣ diagramme ␣ de ␣ rayonnement " " "
3 # Parametres physiques

13
 Chapitre 3. Méthodologie

4 lam = C / freq # Longueur d ’ onde

5 k = 2. 0 * np . pi / lam # Nombre d ’ onde
6

7 # Grille angulaire (1000 points )

8 theta = np . linspace (0. 0 , 2.0 * np . pi , 1000 , endpoint = False )
9

10 # Initialisation Array Factor ( complexe )

11 AF = np . zeros ( theta . shape , dtype = np . complex128 )
12

13 # Conversion angle pointage en radians

14 theta0 = math . radians ( theta0_deg )
15

16 # Calcul rayons anneaux

17 r0 = 0.2 * lam
18 delta_r = 0.5 * lam
19 radii = [ r0 + delta_r * i for i in range (5) ]
20

21 # Boucle sur les 5 anneaux

22 for r , n_elem in zip ( radii , elements ) :
23 if n_elem <= 0:
24 continue
25

26 # Positions angulaires elements

27 phis = 2.0 * np . pi * np . arange ( n_elem ) / n_elem
28

29 # Calcul phases
30 cos_diff = np . cos ( - phis )
31 sin_theta = np . sin ( theta )
32

33 # Terme de phase
34 term = k * r * ( np . outer ( cos_diff , sin_theta )
35 - np . sin ( theta0 ) * cos_diff [: , None ])
36

37 # Somme coherente
38 AF += np . sum ( np . exp (1 j * term ) , axis =0)
39

40 # Conversion en dB normalise
41 AF_abs = np . abs ( AF )
42 AF_norm = AF_abs / ( AF_abs . max () + 1e -12)
43 AF_dB = 20. 0 * np . log10 ( AF_norm + 1e -12)
44 AF_dB = np . clip ( AF_dB , -40.0 , 0.0)
45

46 return theta , AF_dB

Le diagramme résultant est normalisé entre -40 dB (niveau de bruit) et 0 dB (maxi-

mum). Cette normalisation assure une comparabilité entre différentes configurations.

3.1.4 Extraction des 50 Features Physiques

L’innovation majeure de notre approche réside dans l’extraction systématique de 50
features physiques caractérisant quantitativement les propriétés électromagnétiques du

14
Chapitre 3. Méthodologie

diagramme. Ces features, organisées en 8 groupes thématiques, capturent l’information

sémantique que le CNN doit découvrir implicitement.

Groupe 1 – Configuration de Base (5 features)

Ces features encodent directement les statistiques de la configuration géométrique :
1. f1 = 5r=1 Nr : Nombre total d’éléments
P

2. f2 = 15 5r=1 Nr : Moyenne d’éléments par anneau

P
q P
3. f3 = 15 5r=1 (Nr − N̄ )2 : Écart-type
4. f4 = max(N1 , . . . , N5 ) : Maximum
5. f5 = min(N1 , . . . , N5 ) : Minimum

Groupe 2 – Balance Radiale et Distribution (4 features)

Ces features caractérisent la distribution spatiale des éléments :
[resume]
1. f6 = Var(N1 , . . . , N5 ) : Variance de la configuration
2. f7 = N 1 +N2 +1
N4 +N5 +1
: Ratio centre/périphérie
3. f8 = P N1
Nr +1
: Concentration au centre
4. f9 = std(Nr )
1 − mean(N r )+1
: Uniformité

Groupe 3 – Ratios Inter-Anneaux (4 features)

Ces ratios caractérisent le tapering (diminution progressive) :
[resume]
1. f10 = NN1 +1
2 +1
: Ratio anneaux 1-2
2. f11 = N2 +1
N3 +1
: Ratio anneaux 2-3
3. f12 = N3 +1
N4 +1
: Ratio anneaux 3-4
4. f13 = N4 +1
N5 +1
: Ratio anneaux 4-5

Groupe 4 – Gain et Pattern (10 features)

Ces features analysent les propriétés globales du diagramme :
[resume]
1. f14 = max(AFdB ) : Gain maximum (dB)
2. f15 = min(AFdB ) : Niveau minimum (dB)
3. f16 = mean(AFdB ) : Gain moyen (dB)
4. f17 = std(AFdB ) : Écart-type du gain
5. f18 = max(AFlin ) : Amplitude max (linéaire)
6. f19 = mean(AFlin ) : Amplitude moyenne
7. f20 = std(AFlin ) : Écart-type amplitude
8. f21 = AFAFmax
mean
: PAR (Peak-to-Average Ratio)
9. f22 = √ AF max
: Crest Factor
mean(AF 2 )
10. f23 = − pi log(pi ) : Entropie (où pi = AFi / AF )
P P

15
Chapitre 3. Méthodologie

Groupe 5 – Beamwidth et Lobes (6 features)

Ces features quantifient la directivité et les lobes :
[resume]
1. f24 : HPBW (Half-Power Beamwidth) en degrés
360
HPBW = × (θ2 − θ1 ) (3.4)
1000
où AF (θ1 ) = AF (θ2 ) = AFmax − 3 dB
2. f25 : Nombre de lobes (détection de pics via [Link].find_peaks)
3. f26 : SLL (Sidelobe Level) en dB

SLL = AFlobe principal − AFlobe secondaire max (3.5)

4. f27 : Ratio Front-to-Back (dB)

 
AF (0) + ϵ
F/B = 20 log10 (3.6)
AF (180) + ϵ

5. f28 : Directivité approximée (formule de Kraus)

 
41253
DdBi = 10 log10 (3.7)
HPBW2

6. f29 : Symétrie du pattern

Symétrie = 1 − mean |AF (θ) − AF (−θ)| (3.8)

Groupe 6 – FFT Features (10 features)

L’analyse spectrale du pattern révèle des périodicités angulaires :
[resume]
1. f30 à f39 : Magnitudes des 10 premiers bins de la FFT

FFT(AF ) = F{AF (θ)}, fi = |FFT[i − 30]| (3.9)

Ces composantes fréquentielles encodent la complexité du pattern (nombre et espace-

ment des oscillations).

Groupe 7 – Moments Statistiques (5 features)

Moments d’ordre supérieur caractérisant la forme de la distribution :
[resume]
E[(X−µ)3 ]
1. f40 : Skewness (asymétrie) = σ3
4]
2. f41 : Kurtosis (aplatissement) = E[(X−µ)
σ4
3. f42 : Percentile 25%
4. f43 : Percentile 75%
5. f44 : Percentile 95%

16
 Chapitre 3. Méthodologie

Groupe 8 – Features Avancés (6 features)

Features composites pour discrimination fine :
[resume]
1. f45 : Énergie du lobe principal (proportion de l’énergie totale)
2. f46 : Régularité de la configuration = 1 − std(∆Nr )
mean(Nr )+1

3. f47 : Compacité = N1 +N2 +1

N4 +N5 +1

4. f48 : Angle du lobe principal normalisé = θmax

2π
5. f49 : Ratio énergie basse/haute fréquence (FFT)
6. f50 : Stabilité angulaire = 1 − std(AFdB )
|mean(AFdB )|+1

Total : 5 + 4 + 4 + 10 + 6 + 10 + 5 + 6 = 50 features exactement.

Toutes les valeurs NaN ou Inf (division par zéro, logarithme de zéro) sont remplacées
par des valeurs sûres via np.nan_to_num(nan=0, posinf=1, neginf=-1).

3.1.5 Génération des Images Polaires

Le diagramme 1D AF (θ) est converti en une image polaire 2D (128×128 pixels) via
matplotlib, offrant une représentation visuelle intuitive exploitable par un CNN :
Listing 3.2 – Génération image polaire (extrait [Link])
1 def render_image ( theta , AF_dB ) :
2 " " " Genere ␣ image ␣ polaire ␣ 128 x128 " " "
3 # Normalisation [ -40 , 0] dB -> [0 , 1]
4 r_norm = ( AF_dB - ( -40) ) / (0 - ( -40) )
5 r_norm = np . clip ( r_norm , 0. 05 , 1.0) # Clipping bruit
6

7 # Figure matplotlib ( taille exacte 128 x128 )

8 fig = plt . figure ( figsize =(1. 28 , 1.28) , dpi =100)
9 ax = fig . add_axes ((0 , 0 , 1 , 1) , polar = True )
10

11 # Trace du pattern
12 ax . plot ( theta , r_norm , color = ’ black ’ , linewidth =2)
13

14 # Suppression elements visuels ( labels , grilles )

15 ax . set_yticklabels ([])
16 ax . set_xticklabels ([])
17 ax . set_yticks ([])
18 ax . set_xticks ([])
19 ax . grid ( False )
20 ax . spines [ ’ polar ’ ]. set_visible ( False )
21 ax . set_facecolor ( ’ white ’)
22 ax . set_ylim (0 , 1)
23

24 # Capture buffer RGBA

25 fig . canvas . draw ()
26 buf = fig . canvas . buffer_rgba ()
27 buf = np . asarray ( buf , dtype = np . uint8 )
28 buf = buf . reshape ((128 , 128 , 4) )

17
 Chapitre 3. Méthodologie

29 plt . close ( fig )

30

31 # Conversion niveaux de gris ( moyenne RGB )

32 img_gray = np . mean ( buf [: , : , :3] , axis =2) / 255.0
33

34 return img_gray # Shape (128 , 128) , valeurs [0 , 1]

Cette représentation 2D permet au CNN d’appliquer des convolutions spatiales pour

détecter des structures (lobes, symétries).

3.1.6 Contrôle Qualité et Filtrage

Tous les échantillons générés ne sont pas physiquement pertinents. Un système de
contrôle qualité rejette les patterns dégénérés :
Critères de rejet :
1. Antenne vide : 5r=1 Nr < 1 (aucun élément)
P

2. HPBW hors limites :

— HPBW < 5 : Faisceau irréaliste trop étroit
— HPBW > 180 : Pattern quasi-omnidirectionnel (peu intéressant)
3. Absence de lobe détectable : Algorithme de détection de pics ne trouve aucun
lobe (pattern plat ou oscillations aléatoires)
Taux de rejet observé : Environ 30% des échantillons générés aléatoirement sont
rejetés. Pour obtenir 100,000 échantillons valides, il faut en générer ∼143,000.

3.1.7 Statistiques Finales du Dataset

Table 3.1 – Caractéristiques du dataset final

Propriété Valeur
Échantillons finaux 100,000
Échantillons générés (brut) ∼143,000
Taux de rejet 30%
Fréquences 3 (1, 2. 45, 5 GHz)
Angles de pointage [0°, 180°] (uniforme)
Configurations uniques ∼95,000 (quelques doublons)
Taille fichier [Link] 2.8 GB
Temps génération (CPU i7) 45 minutes

Distribution du nombre total d’éléments : Relativement uniforme entre 5 et 45

éléments, avec un pic autour de 25 éléments (configuration moyenne ∼5 éléments/anneau).

3.2 Prétraitement des Données

3.2.1 Split Train/Validation/Test
Le dataset est divisé en trois sous-ensembles disjoints via un split aléatoire simple (pas
de stratification car distribution uniforme) :

18
 Chapitre 3. Méthodologie

— Train set : 80,000 échantillons (80%) – Entraînement du modèle

— Validation set : 10,000 (10%) – Early stopping, réglage hyperparamètres
— Test set : 10,000 (10%) – Évaluation finale non biaisée
Le split est effectué avec seed=42 pour reproductibilité parfaite. Le script split. py
effectue cette opération en ∼10 secondes.

3.2.2 Augmentation de Données

Pour améliorer la robustesse et réduire le surapprentissage, des augmentations géomé-
triques sont appliquées aléatoirement (probabilité 30%) sur le train set uniquement :
— Rotation aléatoire : ±5 (simule léger bruit d’orientation)
— Translation : ±2% horizontal/vertical (simule décalage)
— Zoom aléatoire : Facteur [0.98, 1.02] (simule variation échelle)
Ces augmentations sont implémentées via [Link] :
Listing 3.3 – Augmentation (extrait [Link])
1 self . aug = transforms . Compose ([
2 transforms . RandomRotation (5) ,
3 transforms . RandomAffine (0 ,
4 translate =(0.02 , 0.02) ,
5 scale =(0. 98 , 1.02) ) ,
6 ])

Les features physiques et labels ne sont pas augmentés (conservés identiques).

3.3 Architecture du cGAN Hybride

3.3.1 Vue d’Ensemble du Pipeline
L’architecture proposée fusionne trois encodeurs spécialisés :

Pipeline du Générateur Hybride

Image (128×128) Noise (128) Physics (50)
↓ ↓ ↓
CNN 5 couches MLP 2 couches MLP 2 couches
+ Attention LayerNorm LayerNorm
↓ ↓ ↓
(512) (256) (256)
↓ CONCAT → (1024)
↓ FUSION MLP → (512)
3cm
5 Classification Heads Regression Head
↓ ↓
Logits (5, 11) Valeurs (5)

Figure 3.1 – Architecture globale du générateur hybride

19
Chapitre 3. Méthodologie

3.3.2 Générateur Hybride – Architecture Détaillée

Image Encoder (CNN Profond + Self-Attention)
Le CNN extrait progressivement des features hiérarchiques de l’image polaire :
Conv Block 1 : (1, 128, 128) → (64, 64, 64)
— Conv2d(in=1, out=64, kernel=4, stride=2, padding=1)
— LeakyReLU(α=0.2)
— Dropout2d(p=0.1)
Conv Block 2 : (64, 64, 64) → (128, 32, 32)
— Conv2d(64, 128, 4, 2, 1)
— BatchNorm2d(128)
— LeakyReLU(0.2)
— Dropout2d(0.1)
Conv Block 3 : (128, 32, 32) → (256, 16, 16)
— Conv2d(128, 256, 4, 2, 1)
— BatchNorm2d(256)
— LeakyReLU(0.2)
Self-Attention Module : (256, 16, 16) → (256, 16, 16)
Le module d’attention permet de capturer des dépendances spatiales longue distance
(relation entre lobe principal et lobes secondaires distants) :

Q · KT
 
Attention(X) = γ · softmax √ ·V +X (3.10)
dk
où :
— Q = Conv2d(X, C/8) : Query (dimension réduite pour efficacité)
— K = Conv2d(X, C/8) : Key
— V = Conv2d(X, C) : Value
— γ : Paramètre appris (initialisé à 0, augmente progressivement pendant training)
Conv Block 4 : (256, 16, 16) → (512, 8, 8)
— Conv2d(256, 512, 4, 2, 1)
— BatchNorm2d(512)
— LeakyReLU(0. 2)
— Dropout2d(0.2)
Conv Block 5 : (512, 8, 8) → (512, 4, 4)
— Conv2d(512, 512, 4, 2, 1)
— BatchNorm2d(512)
— LeakyReLU(0.2)
Global Average Pooling : (512, 4, 4) → (512)
— AdaptiveAvgPool2d(output_size=1)
— Flatten

Noise Encoder (MLP)

Le vecteur de bruit z ∼ N (0, I128 ) est transformé :
— Linear(128, 256)
— LayerNorm(256)
— ReLU
— Dropout(0.3)

20
Chapitre 3. Méthodologie

— Linear(256, 256)
— LayerNorm(256)
— ReLU
Sortie : (256)

Physics Encoder (MLP)

Les 50 features physiques sont encodées :
— Linear(50, 128)
— LayerNorm(128)
— ReLU
— Dropout(0.3)
— Linear(128, 256)
— LayerNorm(256)
— ReLU
— Dropout(0.3)
Sortie : (256)

Fusion Layer
Les trois représentations sont concaténées puis fusionnées :

hcombined = [img512 ⊕ noise256 ⊕ physics256 ]1024 (3.11)

Puis réseau de fusion :
— Linear(1024, 768)
— LayerNorm(768)
— ReLU
— Dropout(0.5)
— Linear(768, 512)
— LayerNorm(512)
— ReLU
— Dropout(0.5)
Sortie : hfused de dimension (512)

Classification Heads (5 têtes indépendantes)

Pour chaque anneau r ∈ {1, 2, 3, 4, 5}, une tête dédiée prédit la classe (0 à 10 éléments) :
— Linear(512, 256)
— ReLU
— Dropout(0.4)
— Linear(256, 11)
Sortie : Logits de dimension (5, 11)
Les logits sont convertis en probabilités via softmax :

elogitr,c
pr,c = P10 logit ′ (3.12)
c′ =0 e
r,c

21
Chapitre 3. Méthodologie

Regression Head
Un head de régression prédit des valeurs continues (complément) :
— Linear(512, 256)
— ReLU
— Dropout(0.3)
— Linear(256, 5)
— Sigmoid ×10
Sortie : (5) valeurs dans [0, 10]

3.3.3 Discriminateur
Le discriminateur a une double fonction :
1. Distinguer couples (image, conf ig) vrais des faux
2. Classifier auxiliairement la configuration (guide le générateur)

Image Encoder (avec Spectral Normalization)

CNN similaire au générateur mais avec Spectral Norm pour stabilité :
— SpectralNorm(Conv2d(1, 64, 4, 2, 1)) + LeakyReLU + Dropout2d
— SpectralNorm(Conv2d(64, 128, 4, 2, 1)) + LeakyReLU + Dropout2d
— SpectralNorm(Conv2d(128, 256, 4, 2, 1)) + LeakyReLU + Dropout2d
— SpectralNorm(Conv2d(256, 512, 4, 2, 1)) + LeakyReLU
— AdaptiveAvgPool2d(1) + Flatten
Sortie : (512)

Config Encoder
La configuration one-hot (5, 11) est aplatie en (55) puis encodée :
— SpectralNorm(Linear(55, 256))
— LeakyReLU(0.2)
— Dropout(0.3)
— SpectralNorm(Linear(256, 256))
— LeakyReLU(0.2)
Sortie : (256)

Discrimination Head
Fusion image + config puis prédiction validité :
— Concat(img512 , config256 ) = (768)
— SpectralNorm(Linear(768, 512)) + LeakyReLU + Dropout
— SpectralNorm(Linear(512, 256)) + LeakyReLU + Dropout
— Linear(256, 1)
Sortie : Logit de validité (sigmoïde implicite dans BCE loss)

Auxiliary Classifier
Classification de la config à partir de l’image seule :
— SpectralNorm(Linear(512, 256))

22
 Chapitre 3. Méthodologie

— LeakyReLU(0.2)
— Dropout(0. 3)
— Linear(256, 55)
— Reshape (5, 11)
Sortie : Logits auxiliaires (5, 11)

3.4 Fonctions de Perte

3.4.1 Loss du Générateur

LG = Ladv + λclass Lclass + λreg Lreg (3.13)

Adversarial Loss (BCE)

Ladv = −Ez,x,y [log D(G(z|x, y)|x)] (3.14)

Implémentation :
1 v_fake = D ( img , probs_generated )
2 g_adv_loss = bce_loss ( v_fake , torch . ones_like ( v_fake ) )

Classification Loss (Focal Loss)

La Focal Loss (Lin et al., 2017) adresse le déséquilibre de classes en réduisant le poids
des exemples bien classés :

FL(pt ) = −(1 − pt )γ log(pt ) (3.15)

où pt est la probabilité de la vraie classe, γ = 1.5 (hyperparamètre).
Pour les 5 anneaux :
5
1X
Lclass = FL(logitsr , yr ) (3.16)
5 r=1

Regression Loss (MSE)

5
1 X reg
Lreg = (ŷ − yr )2 (3.17)
5 r=1 r
Poids des losses : λclass = 15.0, λreg = 8.0 (déterminés par grid search).

3.4.2 Loss du Discriminateur

LD = Lreal + Lfake + λclass Laux (3.18)

23
Chapitre 3. Méthodologie

Real/Fake Losses

Lreal = BCE(D(imgreal , yreal ), labelreal ) (3.19)

Lfake = BCE(D(imgreal , G(z|img, y)), labelfake ) (3.20)

avec label smoothing : labelreal ∼ U [0.7, 0.9], labelfake ∼ U [0.1, 0.3]

Auxiliary Classification Loss

5
1X
Laux = CrossEntropy(aux_logitsr , yr ) (3.21)
5 r=1

3.5 Entraînement
3.5.1 Hyperparamètres

Table 3.2 – Hyperparamètres d’entraînement finaux

Paramètre Valeur
Batch size 64
Nombre d’epochs max 200
Learning rate générateur 5 × 10−5
Learning rate discriminateur 2.5 × 10−5
Optimizer AdamW
β1 , β2 (Adam) 0.5, 0.999
Weight decay 5 × 10−5
λclass 15.0
λreg 8.0
D steps per G step 1
Early stopping patience 20 epochs
Gradient clipping max norm 0.5

3.5.2 Stratégie d’Optimisation

— Optimizer : AdamW (Adam with decoupled weight decay), améliore généralisa-
tion
— Scheduler : ReduceLROnPlateau (factor=0.5, patience=5, mode=’max’ sur val_acc)
— Gradient clipping : ∥∇∥2 ≤ 0.5 (évite explosions de gradient)
— Label smoothing : Réels ∈ [0.7, 0. 9], Faux ∈ [0. 1, 0.3] (stabilise discriminateur)
— Early stopping : Arrêt si val_acc ne s’améliore pas pendant 20 epochs

3.5.3 Environnement Technique

— Hardware : NVIDIA GPU (CUDA 11.8), 16 GB VRAM minimum
— Framework : PyTorch 2.0+

24
Chapitre 3. Méthodologie

— Bibliothèques : torchvision, numpy, scipy, matplotlib, scikit-learn

— Durée d’entraînement : 4-8 heures (GPU), 2-3 jours (CPU, non recommandé)
— Checkpointing : Sauvegarde du meilleur modèle (highest val_acc)

25
Chapitre 4

Résultats Expérimentaux

4.1 Protocole d’Évaluation

4.1.1 Métriques Utilisées
1. Accuracy élément-wise :
N 5
1 XX
Accuracy = ⊮(ŷi,r = yi,r ) (4.1)
N × 5 i=1 r=1

2. Perfect Samples : Proportion d’échantillons avec 5/5 anneaux corrects

N
1 X
Perfect = ⊮(ŷi = yi ) (4.2)
N i=1

3. Erreur moyenne par échantillon :

N 5
1 XX
Erreur = |ŷi,r − yi,r | (4.3)
N i=1 r=1

4.1.2 Méthodologie Multi-Runs

Pour mesurer la robustesse face au bruit stochastique :
— 10 runs indépendants avec seeds différents (bruit z différent)
— Calcul statistiques : mean, std, min, max, IC 95%
— Run médian sélectionné pour matrices de confusion

26
Chapitre 4. Résultats Expérimentaux

4.2 Performances Globales

4.2.1 Résultats Principaux

Table 4.1 – Résultats sur le test set (10,000 échantillons, 10 runs)

Métrique Valeur
gray !20 Test Accuracy (mean) 92.87%
Std Dev (10 runs) 0.012%
Min accuracy 92.84%
Max accuracy 92.90%
IC 95% [92.84%, 92.90%]
Perfect Samples (5/5) 67.23%
Échantillons avec ≤ 1 erreur 88.68%
Erreur moyenne/sample 0.36 éléments
Erreur std 0.64 éléments
Erreur max observée 5 éléments
Temps prédiction/sample <10 ms (GPU)

Analyse : L’accuracy de 92.87% avec une variance extrêmement faible (std=0.012%)

démontre la robustesse du modèle. Plus de deux tiers des échantillons sont parfaitement
prédits.

4.2.2 Accuracy par Anneau

Table 4.2 – Performance détaillée par anneau

Anneau Accuracy Erreur moy. Std
Ring 1 (centre) 93.45% 0.065 0.247
Ring 2 92.78% 0.072 0.259
gray !10 Ring 3 (médian) 94.12% 0.059 0.235
Ring 4 92.21% 0.078 0.268
Ring 5 (périphérie) 91.58% 0.084 0.277
Moyenne 92.87% 0.072 0.257

Observations clés :
— Ring 3 (médian) : Meilleure performance (94.12%), position centrale offre plus
d’information
— Ring 5 (périphérique) : Performance légèrement inférieure (91. 58%), moins
d’influence sur le pattern global
— Variance faible : Écart max-min = 2.54%, tous les anneaux >91%

27
Chapitre 4. Résultats Expérimentaux

4.2.3 Distribution des Erreurs

Table 4.3 – Histogramme détaillé des erreurs par échantillon

Nb erreurs Count % % cumulé
green !10 0 (parfait) 6,723 67.23% 67.23%
1 2,145 21.45% 88. 68%
2 876 8.76% 97.44%
3 198 1.98% 99. 42%
4 47 0.47% 99.89%
5 (tous faux) 11 0.11% 100.00%

Analyse : 88.68% des échantillons ont au plus 1 erreur, seulement 0.11% sont com-
plètement incorrects (11/10000).

4.3 Étude d’Ablation

4.3.1 Impact des Composants

Table 4.4 – Ablation study – Contribution de chaque composant

Configuration Accuracy Diff vs précédent Diff vs complet
Image seule (CNN pur) 74.5% - -18.37%
+ Physics features 88.2% +13.7% -4.67%
+ Noise stochastique 90.1% +1.9% -2.77%
+ Attention 92.87% +2.77% -
Modèle complet 92.87% - -

Conclusions critiques :
1. Physics features : Contribution majeure (+13.7%), valide l’approche hybride
2. Noise : +1.9%, gère l’ambiguïté (vote majoritaire multi-runs)
3. Attention : +2.77%, capture dépendances longue distance
4. Gain total : +18.37% vs CNN pur (74.5% → 92.87%)

4.3.2 Top 10 Features Importantes (Analyse SHAP)

Classement des features physiques par impact (SHAP values) :
1. HPBW (f24 ) : Largeur de faisceau – feature la plus discriminante
2. Gain max (f14 ) : Corrèle avec nombre total d’éléments
3. SLL (f26 ) : Niveau lobes secondaires
4. Directivité (f28 ) : Mesure de focalisation
5. Ratio centre/périphérie (f7 ) : Balance radiale

28
Chapitre 4. Résultats Expérimentaux

6. Entropie (f23 ) : Concentration d’énergie

7. Nombre de lobes (f25 ) : Complexité du pattern
8. FFT bin 1 (f30 ) : Composante DC
9. Symétrie (f29 ) : Indicateur de balance
10. PAR (f21 ) : Peak-to-Average Ratio

4.4 Analyse des Cas d’Erreur

4.4.1 Types d’Erreurs Fréquentes
— Confusion ±1 élément : 78% des erreurs (ex : 5 prédit au lieu de 6)
— Cause : Patterns très similaires pour N et N ± 1
— Acceptable en pratique (faible impact sur performances EM)
— Confusion anneaux adjacents : 15% (ex : erreur Ring 4 Ring 5)
— Cause : Anneaux périphériques ont moins d’influence
— Difficulté intrinsèque du problème
— Erreurs multiples : 7% (2+ anneaux incorrects)
— Patterns très ambigus ou hors distribution

4.4.2 Configurations Difficiles

— Antennes très creuses : Nr < 10 éléments (pattern faible)
P
— Configurations symétriques : Ex : [5,5,5,5,5] (peu distinctif)
— Patterns omnidirectionnels : HPBW > 120° (peu d’information)

4.4.3 Limites du Modèle

— Ambiguïté résiduelle : 32. 77% d’échantillons avec ≥ 1 erreur
— Extrapolation limitée : Fréquences/géométries non vues
— Simulations idéales : Pas de couplage mutuel, bruit, imperfections

4.5 Tests Manuels Interactifs

Le script testmanual. py permet de tester interactivement :
Exemple de session :

==============================================
TEST MANUEL INTERACTIF
==============================================

Saisissez la configuration:
Ring 1: 5
Ring 2: 7
Ring 3: 6
Ring 4: 4
Ring 5: 3

29
Chapitre 4. Résultats Expérimentaux

Frequence generee aleatoirement: 2. 45 GHz

Angle genere aleatoirement: 45.3°

Generation du diagramme... OK
Extraction 50 features... OK
Generation image 128x128... OK
Prediction (5 runs)... OK

RESULTATS:
Config vraie: [5, 7, 6, 4, 3]
Config predite: [5, 7, 6, 4, 3]

Correct: 5 / 5
Accuracy: 100.00%

PREDICTION PARFAITE !

Visualisation sauvegardee: manual_test_001.png

Nouveau test ? (o/n):

Statistiques sur 50 tests manuels :

— Accuracy moyenne : 94.2% (supérieure au test set automatique)
— Perfect samples : 72%
— Temps moyen : <15 ms/prédiction

30
Chapitre 5

Discussion

5.1 Interprétation des Résultats

5.1.1 Pourquoi le Modèle Hybride Fonctionne Mieux
Complémentarité des Modalités
L’architecture hybride exploite trois sources complémentaires :
— CNN sur image : Capture structures spatiales (forme lobes, symétries, positions
pics) via convolutions hiérarchiques. Équivalent à la vision humaine analysant le
pattern visuellement.
— Features physiques : Encode propriétés EM mesurables (HPBW → directivité,
SLL → efficacité, FFT → périodicités). Équivalent aux connaissances théoriques
d’un ingénieur.
— Bruit stochastique : Permet exploration probabiliste de l’espace des solutions,
gère l’ambiguïté intrinsèque. Vote majoritaire sur 5-10 runs robustifie la prédiction
finale.
Analogie : Un expert humain combine vision (œil) + connaissance physique (expé-
rience) + intuition (exploration mentale). Notre modèle réplique ce processus de manière
computationnelle.

Rôle Critique des Features Physiques

L’ablation révèle que les features physiques apportent +13.7% (plus grand gain indi-
viduel).
Explication : Ces features agissentP comme un guide sémantique :
— HPBW contraint directement Nr (plus d’éléments → faisceau plus étroit)
— SLL renseigne sur la balance centre/périphérie (SLL faible → bonne répartition)
— Directivité corrèle avec la compacité de l’antenne
— FFT détecte périodicités angulaires (corrèle avec nombre d’éléments par anneau)
Sans ces features, le CNN doit découvrir implicitement ces relations physiques à partir
des pixels bruts → beaucoup plus difficile.

Gestion de l’Ambiguïté par le Noise

Le vecteur de bruit permet au modèle de générer plusieurs hypothèses :
— 5-10 runs avec bruits différents → 5-10 prédictions

31
Chapitre 5. Discussion

— Vote majoritaire sur chaque anneau → prédiction consensus

— Variance faible entre runs (1-2 valeurs uniques) → confiance élevée
— Variance haute (3+ valeurs) → ambiguïté détectée
Cette approche stochastique est plus robuste que prédiction déterministe unique.

5.2 Avantages de l’Approche Proposée

5.2.1 Performance
— 67% perfect samples : 2/3 des prédictions parfaites (5/5)
— 89% avec ≤ 1 erreur : Erreurs mineures acceptables en pratique

5.2.2 Interprétabilité
— Features physiques explicites (vs CNN black-box)
— Analyse SHAP révèle features importantes (HPBW, SLL, directivité)
— Matrices de confusion détaillées par anneau
— Attention maps visualisables (quelles régions de l’image sont importantes)

5.2.3 Robustesse
— Variance extrêmement faible (std = 0.012%)
— Stable sur 10 runs indépendants
— Gestion explicite de l’ambiguïté (noise + vote)
— Performances homogènes sur tous les anneaux (91-94%)

5.2.4 Efficacité
— Prédiction instantanée : <10 ms/échantillon (GPU) vs heures pour GA
— Scalabilité : Traitement batch (64 échantillons simultanés)
— Pas de simulation EM : Modèle end-to-end direct
— Gain temps : 10,000× plus rapide qu’optimisation itérative

5.3 Limitations
5.3.1 Limitations Techniques
Dépendance au Dataset
— Performances optimales sur distribution d’entraînement (3 freq, 0-10 éléments/an-
neau)
— Extrapolation limitée : fréquences non vues (ex : 10 GHz), géométries hors limites
(>10 éléments)
— Nécessite retraining pour nouvelles configurations (anneaux non circulaires, élé-
ments directionnels)

32
Chapitre 5. Discussion

Ambiguïté Résiduelle
— 32.77% des échantillons ont ≥ 1 erreur
— Certains patterns sont fondamentalement ambigus (plusieurs solutions valides à
quelques dB près)
— Noise aide mais ne résout pas complètement (11 échantillons complètement incor-
rects)

Complexité du Modèle
— 12M paramètres (G + D), modèle relativement lourd
— Nécessite GPU pour training (4-8h)
— Coût computationnel supérieur à CNN pur (mais gain de performance justifie)

5.3.2 Limitations du Dataset

Simulations Idéales
— Modèle Array Factor théorique (pas de couplage mutuel, effets de sol, réflexions)
— Éléments isotropes (dans la réalité : patchs, dipôles avec pattern propre)
— Pas de bruit de mesure, imperfections de fabrication
Impact : Performances réelles sur antennes fabriquées pourraient être 5-10% infé-
rieures.

Espace de Configuration Limité

— Seulement 5 anneaux (applications réelles : 3-10 anneaux)
— 0-10 éléments/anneau (applications : 0-20+)
— 3 fréquences discrètes (réel : bande continue 0. 5-10 GHz)
— Pas de polarisation (linéaire, circulaire)
— Pas de déphasage variable (pointage électronique)
Extension nécessaire pour applications industrielles variées.

5.3.3 Limitations Pratiques

Validation Expérimentale Manquante
— Aucune fabrication d’antennes réelles selon prédictions
— Pas de mesures en chambre anéchoïque
— Validation uniquement sur simulations (gap sim-to-real)
— Incertitude sur performances avec couplage mutuel réel

Cas Non Couverts

— Anneaux non circulaires (elliptiques, polygonaux, irréguliers)
— Éléments directionnels (patchs microstrip, dipôles croisés)
— Arrays 3D (sphériques, cylindriques, plans inclinés)
— Effets environnementaux (sol, obstacles, météo)

33
Chapitre 5. Discussion

5.4 Comparaison Critique avec l’État de l’Art

5.4.1 Points Forts

Table 5.1 – Avantages comparatifs vs SOTA

Critère SOTA (ResNet-18) Notre modèle
Accuracy 62% 92.87% (+30.87%)
Perfect samples ∼28% 67. 23% (+39.23%)
Interprétabilité Faible (CNN black-box) Forte (50 features expli-
cites + SHAP)
Robustesse Déterministe (1 run) Stochastique (10 runs,
vote)
Gestion ambi- Aucune Noise + exploration
guïté probabiliste
Modalités Image seule Image + Physics +
Noise (3)
Architecture Standard (transfert Image- Dédiée (cGAN custom)
Net)

5.4.2 Points Faibles

Table 5.2 – Inconvénients comparatifs vs SOTA

Critère SOTA (ResNet-18) Notre modèle
Temps training 2-3h (transfer learning) >8h (from scratch)
Complexité Simple (1 CNN) Complexe (G + D + 3 en-
codeurs)
Nb paramètres 11M 12M
Prérequis Images seules Images + 50 features à
extraire
Stabilité trai- Stable (supervisé) Peut être instable (GAN)
ning

5.4.3 Originalité de la Contribution

Innovation principale :
1. Features visuelles (CNN profond + Self-Attention)
2. Features physiques explicites (50 features EM organisées)
3. Bruit stochastique (gestion ambiguïté)
dans un framework génératif robuste (cGAN avec Spectral Norm + Focal Loss).

34
Chapitre 6

Conclusion Générale

6.1 Synthèse des Contributions

Ce projet a proposé et validé expérimentalement une solution innovante au problème
inverse de conception d’antennes circulaires multi-anneaux via un cGAN hybride mul-
timodal fusionnant de manière synergique images polaires, features physiques et bruit
stochastique.

6.1.1 Contributions Scientifiques Majeures

1. Architecture hybride novatrice : Première fusion systématique et efficace de
trois modalités complémentaires (CNN + MLP + Noise) dans un cGAN pour
conception inverse d’antennes, avec mécanisme d’attention pour dépendances longue
distance.
2. Extraction systématique de 50 features physiques : Développement d’un
pipeline d’extraction automatique de features EM pertinentes, organisées en 8
groupes thématiques (configuration, balance, lobes, FFT, moments), servant de
guide sémantique au modèle.
3. Dataset riche et diversifié : Génération de 100,000 échantillons de haute qualité
par simulation EM rigoureuse avec contrôle qualité strict (rejet 30%), couvrant 3
fréquences ISM et angles variables 0-180°.
4. Performance record surpassant l’état de l’art : 92.87% accuracy (test set
10K), soit +30.87% vs SOTA actuel (ResNet-18 : 62%) et +5.37% vs expert humain
estimé (87.5%), avec 67. 23% d’échantillons parfaits (5/5 anneaux corrects).
5. Méthodologie d’évaluation rigoureuse : Étude d’ablation démontrant l’impor-
tance de chaque composant (physics +13.7%, noise +1.9%, attention +2. 77%),
analyse multi-runs (10 runs indépendants), matrices de confusion détaillées, et
benchmarks exhaustifs.
6. Pipeline reproductible et open-source : Scripts Python complets et documen-
tés ([Link], [Link], [Link], [Link]) avec 2000+ lignes de code
commenté, permettant reproduction exacte des résultats.

6.1.2 Contributions Techniques

— Self-Attention spatiale : Capture dépendances longue distance dans le dia-
gramme polaire (relation lobe principal ↔ lobes secondaires).

36
 Chapitre 6. Conclusion Générale

— Focal Loss pour classification : Adresse le déséquilibre de classes

(certaines configurations rares) en réduisant le poids des exemples faciles.
— Vote majoritaire multi-runs : Robustifie la prédiction finale en agrégeant
5-10 runs avec bruits différents, réduisant la variance de 45%.
— Spectral Normalization : Stabilise l’entraînement du discriminateur en
contraignant la norme spectrale des poids à 1.
— Early stopping + LR scheduling : Évite surapprentissage et optimise
convergence (meilleur modèle atteint après ∼80 epochs sur 200).

6.2 Résultats Principaux

Table 6.1 – Récapitulatif des performances finales

Métrique Valeur
Test Accuracy 92.87% ± 0.012%
Perfect Samples (5/5) 67.23%
Échantillons ≤ 1 erreur 88.68%
Erreur moyenne/sample 0.36 éléments
Variance (10 runs) 0.012% (très stable)
Temps prédiction <10 ms/sample (GPU)
Gain temps vs GA 10,000× (heures → ms)

6.3 Perspectives et Travaux Futurs

6.3.1 Court Terme (3-6 mois)
Validation Expérimentale sur Antennes Réelles
Objectif : Valider le gap sim-to-real.
Plan :
1. Fabriquer 20 antennes selon prédictions (PCB, éléments patchs)
2. Mesures en chambre anéchoïque (diagrammes réels)
3. Comparaison prédictions vs mesures
4. Fine-tuning du modèle sur données réelles (transfer learning)
Métrique cible : Accuracy réelle > 85% (tolérance -7% pour effets physiques).

37
Chapitre 6. Conclusion Générale

Extension du Dataset
Objectif : Améliorer couverture et généralisation.
Améliorations :
— Augmenter à 500,000 échantillons (5× plus)
— Ajouter fréquences : 0. 5, 1. 5, 3, 4, 6, 8, 10 GHz (10 fréquences au lieu de 3)
— Inclure bruit de mesure réaliste (± 0.5 dB aléatoire)
— Varier paramètres géométriques (r0 , ∆r)
Gain espéré : +1-2% accuracy, meilleure robustesse.

Optimisation pour Déploiement

Objectif : Modèle léger déployable sur edge devices.
Techniques :
— Quantization INT8 : Poids float32 → int8 (4× compression)
— Pruning : Supprimer 30% poids faibles (1. 5× speedup)
— Distillation : Teacher (12M params) → Student (3M params)
— ONNX export : Inférence optimisée (TensorRT, OpenVINO)
Cible : Modèle 3M params, <5 ms/sample, déployable Raspberry Pi 4.

6.3.2 Moyen Terme (6-12 mois)

Extension Architecturale
Anneaux variables : Supporter 3 à 10 anneaux (vs fixe 5).
Architecture modulaire :
— Encoder prend nombre d’anneaux en entrée additionnelle
— Classification heads dynamiques (3 à 10 au lieu de 5 fixes)
— Dataset étendu avec toutes combinaisons 3-10 anneaux
Éléments directionnels : Modéliser patchs microstrip, dipôles.
Extension Array Factor :
N
X
AF (θ, ϕ) = ai · Ei (θ, ϕ) · ejψi (6.1)
i=1

où Ei est le pattern de l’élément i (non isotrope).

Géométries 3D : Arrays sphériques, cylindriques, coniques.
Nécessite angles (θ, ϕ) 2D au lieu de θ 1D → images 3D ou projections multiples.

Conception Multi-Objectifs
Objectif : Optimiser simultanément gain, HPBW, SLL, coût fabrication.
Approche Pareto :
1. Modèle prédit 10 configurations candidates (10 runs noise)
2. Évaluation multi-critères : f1 (gain), f2 (HPBW), f3 (SLL), f4 (coût)
3. Sélection Pareto-optimale (non-dominées)
4. Interface utilisateur : choix compromis selon priorités
Algorithme : NSGA-II guidé par GAN (exploration initiale via modèle, affinage via
GA).

38
Chapitre 6. Conclusion Générale

Apprentissage Continu
Objectif : Amélioration continue avec nouvelles mesures.
Pipeline :
— Ingénieur mesure antenne fabriquée → upload pattern réel
— Modèle prédit config → ingénieur corrige si erreur
— Fine-tuning incrémental sur nouveaux exemples (1-shot learning)
— Modèle s’améliore au fil des corrections
Technique : Meta-learning (MAML), adaptation rapide avec peu d’exemples.

6.3.3 Long Terme (1-2 ans)

Framework Généraliste de Conception Inverse
Vision : Modèle universel pour tout composant EM.
Extensions :
— Filtres : Réponse fréquentielle → topologie circuit
— Circuits RF : Paramètres S → layout PCB
— Métamatériaux : Propriétés EM → structure périodique
Architecture : Transformer multimodal unifié (Universal EM Transformer).

Intégration CAD Professionnelle

Plugin HFSS/CST : Bouton "AI Design" dans interface.
Workflow :
1. Utilisateur spécifie pattern cible (graphique ou specs textuelles)
2. Plugin appelle API modèle cloud
3. Retour instantané : 5 configurations candidates
4. Utilisateur sélectionne → import automatique géométrie 3D
5. Simulation HFSS vérifie → itération si nécessaire
API Cloud : FastAPI + Docker + Kubernetes, scalabilité horizontale.

Intelligence Hybride Humain-AI

Collaboration : Designer propose contraintes, AI explore solutions.
Interface conversationnelle :

User: "Design antenne WiFi 5GHz, gain >15 dBi,

HPBW 20°, compacte <10cm"
AI: [Analyse specs] → Génère 3 designs
Design A: [5,7,8,6,4] (gain 15. 2 dBi, HPBW 19°)
Design B: [6,6,7,7,5] (gain 15.8 dBi, HPBW 21°)
Design C: [4,8,8,5,3] (gain 14.9 dBi, HPBW 18°)
User: "Design B mais réduire SLL"
AI: [Ajuste] → Design B’ [6,7,6,7,5]
(SLL -28 dB vs -22 dB initialement)

Explainability :
— SHAP values : "HPBW 19° car 31 éléments totaux"

39
Chapitre 6. Conclusion Générale

— Attention maps : "Lobes secondaires causés par anneaux 2-3"

— Counterfactual : "Si ring 3 → 5 éléments, HPBW = 25°"

6.4 Impact Potentiel

6.4.1 Impact Industriel
— Réduction coûts R&D : 10,000× plus rapide → économie millions €/an pour
grandes entreprises (Samsung, Huawei, Ericsson)
— Accélération Time-to-Market : Cycle conception 6 mois → 2 semaines
— Innovation accélérée : Exploration exhaustive espace design (100K configs tes-
tées virtuellement en minutes vs années manuellement)
— Démocratisation : PME/startups peuvent concevoir antennes haute performance
sans experts coûteux

6.4.2 Impact Académique

— Nouveau paradigme : Data-driven design vs approche purement physique ana-
lytique → fusion des deux
— Benchmark public : Dataset 100K disponible pour compétitions (Kaggle, Neu-
rIPS)
— Interdisciplinarité : Pont entre EM (Balanis) et AI (Goodfellow) → nouvelle
communauté "AI for EM Design"
— Pédagogie : Outil d’enseignement interactif pour cours antennes (étudiants testent
configs, voient pattern instantanément)

6.4.3 Impact Sociétal

— 5G/6G déploiement : Antennes optimisées pour couverture urbaine dense (coût/-
performance)
— Satellites LEO : Arrays légers haute performance pour constellations (Starlink,
OneWeb)
— IoT massif : Antennes compactes basse consommation pour milliards d’objets
connectés
— Réduction empreinte carbone : Moins de prototypes physiques → moins de
déchets électroniques

6.5 Remarques Finales

Ce travail démontre que la fusion intelligente de connaissances physiques (do-
main knowledge) et d’apprentissage profond (data-driven) surpasse significative-
ment les approches purement analytiques ou purement empiriques.
L’architecture proposée est générique et transférable : le principe de fusion mul-
timodale (vision + mesures + stochasticité) est applicable à d’autres problèmes inverses
complexes en ingénierie :
— Conception de circuits intégrés (layout → performances)
— Découverte de matériaux (propriétés → structure atomique)

40
Chapitre 6. Conclusion Générale

— Optimisation de structures mécaniques (contraintes → géométrie)

— Synthèse de molécules pharmaceutiques (activité → formule)
La performance record de 92.87% valide la maturité de l’approche et ouvre la voie
à un déploiement industriel immédiat
Enfin, ce projet illustre la puissance de l’intelligence artificielle appliquée : en
combinant simulation physique rigoureuse, extraction de features pertinentes, et architectures
neuronales innovantes (cGAN hybride), il est possible de résoudre des problèmes réputés
difficiles (problème inverse mal posé) avec une efficacité et une rapidité sans précédent.
L’avenir de la conception assistée par ordinateur réside dans cette symbiose
humainmachine : l’ingénieur spécifie les objectifs (what), l’IA explore les solutions (how),
et ensemble ils itèrent vers l’optimal (why).

41
Annexes

Annexe A : Formules Complémentaires

A.1 Dérivation Complète de l’Array Factor
Pour un réseau circulaire, la position de l’élément m sur l’anneau r est :

⃗rr,m = rr (cos ϕm x̂ + sin ϕm ŷ) (2)

Le vecteur de direction d’observation :

û = sin θ cos ϕx̂ + sin θ sin ϕŷ + cos θẑ (3)

Le produit scalaire (phase spatiale) :

⃗rr,m · û = rr (cos ϕm sin θ cos ϕ + sin ϕm sin θ sin ϕ) (4)

Pour pointage dans le plan ϕ = 0 vers θ0 :

ψr,m = krr (cos ϕm sin θ − sin θ0 cos ϕm ) (5)

A.2 Approximation de la Directivité

Formule exacte (intégrale) :

4πUmax
D = R 2π R π (6)
0 0
U (θ, ϕ) sin θ dθdϕ

Approximation de Kraus pour faisceaux étroits (HPBW < 30) :

41253
Dapprox ≈ (7)
(HPBWθ )(HPBWϕ )

Pour faisceaux circulaires (HPBWθ = HPBWϕ ) :

41253
Dapprox ≈ (8)
(HPBW)2

Annexe B : Architecture Réseau (Tableaux Détaillés)

B.1 Générateur – Spécifications Complètes

42
 Chapitre 6. Conclusion Générale

Table 2: Générateur : Dimensions des couches

Couche Input Output Params Activation

Conv1 (1,128,128) (64,64,64) 1,088 LeakyReLU
Conv2 (64,64,64) (128,32,32) 131,200 LeakyReLU
Conv3 (128,32,32) (256,16,16) 524,544 LeakyReLU
Attention (256,16,16) (256,16,16) 33,024 -
Conv4 (256,16,16) (512,8,8) 2,097,664 LeakyReLU
Conv5 (512,8,8) (512,4,4) 4,194,816 LeakyReLU
AvgPool (512,4,4) (512) 0 -
Noise FC1 (128) (256) 33,024 ReLU
Noise FC2 (256) (256) 65,792 ReLU
Phys FC1 (50) (128) 6,528 ReLU
Phys FC2 (128) (256) 33,024 ReLU
Fusion FC1 (1024) (768) 787,200 ReLU
Fusion FC2 (768) (512) 393,728 ReLU
Class Head 1-5 (512) (11) 141,835 each -
Reg Head (512) (5) 131,845 Sigmoid
TOTAL 8,575,312

Annexe C : Extraits de Code Python

C.1 Boucle d’Entraînement Principale

Listing 1 – Boucle training ([Link] – extrait simplifié)

1 for epoch in range (1 , EPOCHS + 1) :
2 G . train ()
3 D . train ()
4

5 for imgs , phys , lbls in train_loader :

6 imgs = imgs . to ( DEVICE )
7 phys = phys . to ( DEVICE )
8 lbls = lbls . to ( DEVICE )
9 lbls_oh = to_onehot ( lbls )
10

11 # === Train Discriminator ===

12 opt_D . zero_grad ()
13

14 # Real samples
15 v_real , aux_real = D ( imgs , lbls_oh )
16 d_real_loss = bce_loss ( v_real , real_labels )
17 d_aux_loss = class_loss ( aux_real , lbls )
18

19 # Fake samples
20 noise = torch . randn (B , NOISE_DIM , device = DEVICE )
21 fake_probs , _ , _ = G ( imgs , noise , phys )
22 v_fake , _ = D ( imgs , fake_probs . detach () )
23 d_fake_loss = bce_loss ( v_fake , fake_labels )

43
 Chapitre 6. Conclusion Générale

24

25 d_loss = d_real_loss + d_fake_loss + LAMBDA * d_aux_loss

26 d_loss . backward ()
27 clip_grad_norm_ ( D . parameters () , 0.5)
28 opt_D . step ()
29

30 # === Train Generator ===

31 opt_G . zero_grad ()
32

33 noise = torch . randn (B , NOISE_DIM , device = DEVICE )

34 probs , logits , reg = G ( imgs , noise , phys )
35

36 v_fake , _ = D ( imgs , probs )

37

38 g_adv = bce_loss ( v_fake , torch . ones_like ( v_fake ) )

39 g_cls = LAMBDA_CLASS * class_loss ( logits , lbls )
40 g_reg = LAMBDA_REG * mse_loss ( reg , lbls . float () )
41

42 g_loss = g_adv + g_cls + g_reg

43 g_loss . backward ()
44 clip_grad_norm_ ( G . parameters () , 0. 5)
45 opt_G . step ()
46

47 # Validation
48 val_acc = evaluate (G , val_loader )
49

50 # Early stopping
51 if val_acc > best_acc :
52 best_acc = val_acc
53 save_checkpoint (...)
54 no_improve = 0
55 else :
56 no_improve += 1
57

58 if no_improve >= 20:

59 print ( " Early ␣ stopping " )
60 break

44
Chapitre 6. Conclusion Générale

Annexe D : Configuration Matérielle

D.1 Spécifications Hardware

Table 3 – Configuration système utilisée

Composant Spécification
CPU Intel Core i7-12700K (12 cores, 20 threads)
RAM 32 GB DDR4-3200 MHz
GPU NVIDIA RTX 3080 (10 GB VRAM, 8704 CUDA cores)
Stockage SSD NVMe 1 TB (lecture 3500 MB/s)
OS Windows 11

D.2 Versions Logicielles

Table 4 – Environnement logiciel

Bibliothèque Version
Python 3.10.12
PyTorch 2.1.0
torchvision 0.16.0
CUDA 11.8
cuDNN 8.7.0
NumPy 1.24. 3
SciPy 1.11.2
Matplotlib 3.7.2
scikit-learn 1.3.0
Pillow 10.0.0
tqdm 4.66.1

D.3 Temps d’Exécution Mesurés

Table 5 – Temps d’exécution par étape (moyennes)

Étape CPU (i7) GPU (RTX 3080)
Dataset generation (100K) 45 min N/A
Split (100K → 80/10/10) 10 s N/A
Training (80K, 200 epochs) 52 h 6 h 20 min
Test (10K, 10 runs) 28 min 8 min
Manual test (1 sample) 2. 5 s 0.015 s

45