Sans documents,
sauf dictionnaires de langues.
Durée : une heure.
Les réponses aux questions seront concises, mais précises.
Les justifications sont aussi importantes que le résultat brut. Le correcteur
appréciera la clarté de la rédaction et de la présentation. L'exercice n'est
pas un exercice à tiroirs insurmontable : les résultats utiles sont donnés
dans le texte (montrez que...) ; en cas de difficulté sur une question, vous
pouvez admettre le résultat, le signaler, et poursuivre.
Pensez à gérer votre temps. Le texte est long, mais il y a peu de questions, qui sont indiquées par un trait dans la marge. Il est conseillé de lire attentivement l'énoncé.
On considère le système suivant :
Des données x(n) (un message) sont appliquées à l'entrée d'un canal, de
réponse impulsionnelle h(n), la sortie de ce canal est perturbée par un bruit
blanc additif b(n), pour fournir une observation u(n). Le problème de
l'égalisation autodidacte est alors de concevoir un égaliseur permettant de
restaurer l'entrée x(n) alors que le canal h(n) est inconnu et l'entrée non
observable. On désigne par w(n) la réponse impulsionnelle du << filtre
inverse idéal >>. Pour simplifier, on supposera dans la suite que la sortie du
canal est observée sans bruit, i.e. b(n) = 0. Enfin, on notera y(n)
la sortie du filtre inverse.
La réponse impulsionnelle du canal n'est pas nécessairement finie, ni à phase minimale1. La réponse impulsionnelle du filtre inverse, w(n) n'est alors ni nécessairement causale, ni finie.
Montrez que le filtre inverse idéal doit vérifier
|
|
En pratique, la relation précédente est inexploitable, et l'on doit concevoir une procédure itérative permettant d'approcher le filtre inverse idéal par un filtre de réponse impulsionnelle finie, [^(w)](n)(i), i Î [-L,L], où [^(w)](n)(i) désigne la ie composante de la réponse impulsionnelle estimée avec les données jusqu'à l'instant n.
En décomposant la réponse impulsionnelle [^(w)](n)(i) en
|
|
La sortie du filtre inverse estimé, y(n), est maintenant appliquée en entrée d'un dispositif non linéaire, produisant une estimée [^(x)](n) des données d'entrée du canal x(n). Si g(·) est la fonction non linéaire utilisée, on a alors
|
Picture Omitted
Picture Omitted
En utilisant le critère d'erreur quadratique,
|
Notez que le critère J(n) est une fonction non convexe de w, à cause de la non linéarité g(·), et peut être une fonction multimodale. L'algorithme LMS pourra alors converger, - s'il converge, vers un minimum local. L'algorithme LMS converge en moyenne si
|
Montrez que cette condition implique que
|
|
Ceci signifie que l'autocorrélation de y est identique à l'intercorrélation entre y et g(y). Les processus qui vérifient cette relation, à un coefficient multiplicatif près, sont les processus de Bussbang (on peut toujours << normaliser >> la non linéarité pour ramener le coefficient multiplicatif à l'unité). Les processus de Bussbang, parmi lesquels les gaussiennes corrélées, et tous les processus à corrélation exponentiellement décroissante, permettent donc la convergence de l'algorithme. Reste cependant le problème de la convergence éventuelle vers un minimum local. Un théorème de Benveniste- Goursat- Ruget donne une condition de convergence vers le minimum global : si
alors l'algorithme converge.
Dans le cas des modulations M-PSK, on obtient après démodulation un signal complexe, u(n). Le canal introduit à la fois une interférence intersymboles et un déphasage. L'entrée du canal est également un signal complexe, mais dont le module est constant. L'algorithme de Godard réalisent l'égalisation en pénalisant les sorties de l'égaliseur qui ne sont pas de module constant. L'intérêt de ne travailler que sur le module est d'éviter d'avoir à effectuer une récupération de la phase de la porteuse. L'algorithme de Godard minimise une fonction non convexe de la forme
|
|
|
À partir du critère à minimiser, donnez l'expression de l'erreur, e(n), en fonction de y(n), p, et Rp. Donnez l'expression de la fonction non-linéaire g(·) correspondant au critère3.
En prenant p = 1, et en se souvenant que
|
Pour p = 2, donnez l'expression du critère J(n), et la fonction g.
L'algorithme associé est connu sous le nom d'algorithme CMA, pour Constant Modulus Algorithm, et est largement utilisé en pratique, pour effectuer une égalisation autodidacte, c'est-à-dire sans séquence d'apprentissage, pour des signaux de type PSK. Notez qu'il faut tout de même disposer d'une estimation, ou d'un a priori sur la valeur de Rp.
1 ce qui signifie que son inverse causal n'est pas stable.
2 w(n) est le vecteur constitué avec les échantillons de la réponse impulsionnelle conjuguée, u(n) est le vecteur de données, e(n) est l'erreur, m le pas d'adaptation.
3 il suffit d'écrire l'égalité entre le critère général Bussbang et le critère précédent. Ne cherchez pas plus loin
4 On ne vous demande évidement pas de calculer Rp, qui dépend de la densité de probabilité de l'entrée...