Estimation et égalisation des canaux sans fil épars utilisant l’algorithme des moindres carrés récursifs épars SPARLS

• Main Author: Haggui, Haithem
• Format: Others
• Published: École de technologie supérieure 2012
• Online Access: http://espace.etsmtl.ca/1103/1/HAGGUI_Haithem.pdf; http://espace.etsmtl.ca/1103/2/HAGGUI_Haithem%2Dweb.pdf

Les modèles des canaux multi-trajets dans les systèmes de communication modernes tendent à exhiber une structure éparse (dispersée) selon Cotter (2002, p. 374) et un grand nombre de trajets résolus comme le mentionne Tse et Vishwanath (2005, p. 32). La théorie de l’acquisition compressée a orienté l’effort de recherche vers l’exploitation de cette caractéristique pour améliorer les performances des estimateurs tout en réduisant le nombre d’observations requis pour l’estimation. Ce travail vise l’adaptation de l’algorithme sparse recursive least squares (SPARLS), utilisé pour l’estimation des canaux épars par Babadi, Kalouptsidis et Tarokh (2008), pour faire l’égalisation tout en investiguant l’apport en performances de la dispersion des canaux en estimation et en égalisation. Cette étude s’étend pour toucher l’aspect implémentation de SPARLS à la recherche d’une solution matérielle qui permet de profiter de la dispersion pour rencontrer les contraintes de l’égalisation en temps réel pour les récepteurs wideband code division multiple access (WCDMA), pour ce faire, nous allons évaluer les performances de cette nouvelle méthode à travers une étude comparative avec l’algorithme classique recursive least squares (RLS). Dans un contexte d’estimation de canal, les critères d’évaluation sont principalement : la précision, le taux de convergence et la complexité de calcul. La précision est évaluée à travers l’évolution de la valeur stationnaire de l’erreur quadratique moyenne (EQM) en fonction du rapport signal sur bruit (RSB). À travers son comportement temporel, l’EQM reflète aussi le taux de convergence de la technique considérée et par ailleurs sa capacité de poursuite des variations du canal. À ces critères s’ajoute le taux d’erreur symbole dans le contexte de l’égalisation. Cette mesure dévoile la robustesse des méthodes évaluées sous différentes conditions de distorsion de canal. La technique SPARLS prouve sa supériorité en estimation de canal et devance la nouvelle variante de RLS que nous avons proposée pour promouvoir la dispersion le long du processus de l’estimation. Nous avons réussi à faire fonctionner SPARLS en égaliseur, toutefois, ses performances en taux d’erreur symbole restent sous-optimales en attente d’une étude statistique pour déterminer les valeurs adéquates de ses paramètres prédéfinis. Pour gérer l’irrégularité du calcul due au caractère dispersé des variables, nous avons opté pour un partitionnement de l’implémentation entre un processeur de traitement de signal et un fieldprogrammable gate array (FPGA). Cette solution assurera la flexibilité nécessaire pour exploiter la dispersion tout en garantissant un rapport coût-efficacité raisonnable.