Canal Rayleigh

THÈSE
pour l’obtention du Grade de

Docteur de l’Université de Poitiers
(Faculté des Sciences Fondamentales et Appliquées)
(Diplôme National - Arrêté du 7 août 2006)
École Doctorale ED 521 : Sciences et ingénierie pour l’information
Discipline : Électronique, photonique
Secteur de Recherche : Optoélectronique, micro-ondes
Présentée par :
Ghadir MADI
Optimisation d’un réseau de capteurs par techniques

MIMO coopératives. Applications possibles : Smart
Grid, télédétection, ...
Directeur de Thèse : Rodolphe VAUZELLE

Co-directeur de Thèse : Yannis POUSSET
Co-directeur de Thèse : Baptiste VRIGNEAU
Soutenue le 23/03/2012 devant la Commission d’Examen composée de :

Jean-Pierre Cancès, Professeur, Université de Limoges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Président du Jury
Gilles Burel, Professeur, Université de Brest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Rapporteur
Jean-François Diouris, Professeur, École polytechnique de l’Université de Nantes . . . . . . . . . . .Rapporteur
Charlotte Langlais, Maı̂tre de Conférences, Télécom Bretagne . . . . . . . . . . . . . . . . . . . . . . . . . . . . Examinateur
Basile L. Agba, Chercheur, Institut de recherche d’Hydro-Québec (IREQ) . . . . . . . . . . . . . . . . Examinateur
Rodolphe Vauzelle, Professeur, Université de Poitiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Examinateur
Yannis Pousset, Maı̂tre de Conférences, Université de Poitiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . Examinateur
Baptiste Vrigneau, Maı̂tre de Conférences, Université de Poitiers . . . . . . . . . . . . . . . . . . . . . . . . . Examinateur
Remerciments
Je désire tout d’abord remercier Nour ma femme et Sami mon fils, qui m’ont apporté
leur soutien et qui m’ont supporté avec tous mes défauts durant ces années de travail.
Sans eux, il fait nul doute que cette thèse n’aurait jamais pu se concrétiser aujourd’hui.
Je ne pourrais pas ne pas remercier mon père et ma mère, qui vivent tranquillement dans
leur village en Syrie et qui attendent mon retour avec impatience. Je remercie sincèrement
mon Université d’origine, Université Tichrine à Lattaquié en Syrie, pour avoir financé mes
travaux de recherches ainsi que le séjour de ma petite famille en France durant cette thèse.
Je souhaite ensuite exprimer ma plus profonde reconnaissance à Monsieur Rodolphe

Vauzelle, Professeur à l’Université de Poitiers, ainsi que Messieurs Baptiste Vrigneau et
Yannis Pousset, Maı̂tres de Conférences à l’Université de Poitiers, pour la qualité de leur
encadrement, mais aussi et avant tout pour la confiance qu’ils m’ont témoigné durant ces
trois années et demie de collaboration. J’espère qu’ils garderont comme moi un excellent
souvenir de cette expérience commune et que nous aurons de nouveau l’opportunité de
travailler ensemble dans le futur.
Je suis également très reconnaissant à l’ensemble des membres du jury. Tout d’abord,
Je remercie vivement Monsieur Gilles Burel, Professeur à l’Université de Brest, et Mon-
sieur Jean-François Diouris, Professeur à l’École polytechnique de l’Université de Nantes,
d’avoir accepté de rapporter ce mémoire. Je tiens à remercier Monsieur Jean-Pierre
Cancès, Professeur à l’Université de Limoges, d’avoir assuré la présidence du jury.
Je remercie également Madame Charlotte Langlais, Maı̂tre de Conférences à Télécom
Bretagne, et Monsieur Basile L. Agba, Chercheur à l’institut de recherche d’Hydro-
Québec, pour avoir accepté de faire partie de mon jury en tant qu’examinateurs.
Mes travaux de thèse ont été effectués au sein du Département SIC du Laboratoire
XLIM, c’est pourquoi j’exprime ma sincère gratitude et mes plus profonds respects à
l’ensemble du personnel du Département pour l’accueil et le soutien qu’ils m’ont témoigné,
autant d’éléments indispensables à la réalisation de cette thèse.
Enfin, un grand merci à tous ceux que j’ai côtoyé durant cette thèse, collègues et amis
syriens et français, que je ne citerai pas ici par peur d’en oublier mais qui se reconnaı̂tront
sûrement.
i
Table des matières
Liste des acronymes et abréviations vii
Notations ix
Introduction 1
1 Les communications numériques et les systèmes MIMO 7

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Chaı̂ne de communication numérique . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Le canal d’un système mono-antennaire (SISO) . . . . . . . . . . . . . . . . . 10
1.3.1 Le bruit radio-électrique . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Propriétés des canaux radio mobiles . . . . . . . . . . . . . . . . . . . 11
1.3.3 Modélisation du canal de transmission radio . . . . . . . . . . . . . . 15
1.4 Notion de diversité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Introduction aux systèmes multi-antennaires . . . . . . . . . . . . . . . . . . 20
1.5.1 Présentation des systèmes MIMO . . . . . . . . . . . . . . . . . . . . 20
1.5.2 Modèle du canal MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.3 Récepteur considéré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Les réseaux de capteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.1 Présentation générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.2 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6.3 Le MIMO et les réseaux de capteurs . . . . . . . . . . . . . . . . . . . 25
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2 Les techniques MIMO 29

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2 Les systèmes MIMO à boucle ouverte . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Le code d’Alamouti . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.2 Généralisation des codes . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Les systèmes MIMO à boucle fermée . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.1 Les précodeurs linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2 Le précodage OSM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4 Performances des précodeurs considérés dans la thèse . . . . . . . . . . . . 45
2.4.1 Canal de Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
iii
TABLE DES MATIÈRES
2.4.2 Canal réaliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3 La quantification des précodeurs max-dmin et P-OSM 55

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2 Le canal de retour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2 Le canal de retour dans les normes . . . . . . . . . . . . . . . . . . . . 59
3.3 La quantification du précodeur max-dmin . . . . . . . . . . . . . . . . . . . . . 60
3.3.1 Les informations à quantifier . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.2 Construction du dictionnaire pour la matrice Fv . . . . . . . . . . . 60
3.3.3 Choix de la matrice Fv . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.4 Quantification de Fv et de γ . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.5 Quantification des matrices Fv et Fd . . . . . . . . . . . . . . . . . . . 67
3.4 La quantification du précodeur P-OSM . . . . . . . . . . . . . . . . . . . . . . 70
3.4.1 Les informations à quantifier . . . . . . . . . . . . . . . . . . . . . . . 70
3.4.2 Résultats de TEB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.5 max-dmin vs P-OSM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.1 Résultats de TEB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.2 Discussion sur les difficultés de calculs des précodeurs . . . . . . . . 76
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4 Précodeurs coopératifs max-dmin et P-OSM pour les réseaux de capteurs 79

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2 Modèle de consommation d’énergie dans les réseaux de capteurs . . . . . . 81
4.2.1 Principe du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.2 Analyse du modèle et avantages des précodeurs . . . . . . . . . . . . 84
4.3 Mise en œuvre des précodeurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3.1 Le précodeur max-dmin . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3.2 Le précodeur P-OSM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.3.3 Délai de transmission . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.4 Étude des performances des systèmes coopératifs proposés . . . . . . . . . . 92
4.4.1 Étude des configurations du système P-OSM coopératif . . . . . . . 93
4.4.2 Répartition de la consommation d’énergie Epa et Ec . . . . . . . . . 94
4.4.3 Système coopératif OSTBC vs système SISO . . . . . . . . . . . . . . 95
4.4.4 Comparaisons des systèmes coopératifs max-dmin , P-OSM et OSTBC 97
4.5 L’effet de l’erreur de synchronisation . . . . . . . . . . . . . . . . . . . . . . . 101
4.5.1 Modèle de système avec une erreur de synchronisation . . . . . . . 102
4.5.2 Performances des systèmes coopératifs . . . . . . . . . . . . . . . . . . 104
4.6 Bilan et conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
iv
TABLE DES MATIÈRES
5 Réseaux de capteurs : application aux postes électriques haute-tension111

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.2 Le bruit impulsionnel dans les postes HT . . . . . . . . . . . . . . . . . . . . 113
5.2.1 Les lignes de transport : bruit couronne et Gap . . . . . . . . . . . . 113
5.2.2 Décharges partielles : transformateurs et isolateurs de traverse . . . 114
5.2.3 Mesures de bruit impulsionnel . . . . . . . . . . . . . . . . . . . . . . . 114
5.3 Modélisation statistique du bruit impulsionnel . . . . . . . . . . . . . . . . . 115
5.3.1 Modèle de Middleton Classe A . . . . . . . . . . . . . . . . . . . . . . 115
5.3.2 Identification du modèle par confrontation simulations-mesures . . . 118
5.3.3 Extension du modèle de Middleton classe A pour les systèmes multi-
antennaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.4 Performances des précodeurs en présence de bruit impulsionnel . . . . . . . 122
5.4.1 Contexte de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.4.2 Récepteur MV avec l’hypothèse de bruit gaussien (MV-BG) . . . . 123
5.4.3 Récepteur MV avec l’hypothèse de bruit impulsionnel (MV-BI) . . 125
5.5 Première simulation réaliste d’un réseau de capteurs dans un poste HT . . 127
5.5.1 Environnement étudié . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.5.2 Définition des configurations étudiées . . . . . . . . . . . . . . . . . . 128
5.5.3 Évaluation de la consommation d’énergie des systèmes coopératifs . 129
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
Conclusion et perspectives 135
Bibliographie 141
Bibliographie personnelle 153
Résumé 155
Abstract 157
v
Liste des acronymes et abréviations
3GPP 3rd Generation Partnership Project

3GPP2 3rd Generation Partnership Project 2
AWGN Additive white Gaussian noise
BBAG Bruit Blanc Additif Gaussien
BLAST Bell Labs Layered Space-Time
BPSK Binary phase-shift keying
CAN Convertisseur Analogique-Numérique
CDMA Code Division Multiple Access
CNA Convertisseur Numérique-Analogique
CSI Channel State Information
CCDF Complementary Cumulative Distribution Function
DDP Densité de Probabilité
DGN Data Gathering Node
DSL Digital Subscriber Line
EE Erreur Egale
EQMM Erreur Quadratique Moyenne Minimale
GSM Global System for Mobile communications
HT Haute tension
IES Interférence Entre Symboles
iid indépendant et identiquement distribué
ISM Industrial, Scientific and Medical
LOS Line Of Sight
LTE Long Term Evolution
MAQ Modulation d’Amplitude en Quadrature
MDA Modulation à Déplacement d’Amplitude
MDF Modulation à Déplacement de Fréquence
MDP Modulation à Déplacement de Phase
MIMO Multiple-Input Multiple-Output
MV Maximum de Vraisemblance
NLOS Non Line Of Sight
OFDM Orthogonal frequency-division multiplexing
OG Optique Géométrique
OSM Orthogonalized Spatial Multiplexing
vii
Liste des acronymes et abréviations
OSTBC Orthogonal Space-Time Block Code

PAPR Peak-to-Average power Ratio
QdS Qualité de Service
QSTBC Quasi-orthogonal Space-Time Block Code
RI Réponse Impulsionnelle
RF Radio-Frequency
RSB Rapport Signal sur Bruit
SISO Single-Input Single-Output
STBC Space-Time Block Code
STTC Space Time Trellis Code
SVD Singular Value Decomposition
TD-SCDMA Time Division Synchronous Code Division Multiple Access
TEB Taux d’Erreur Binaire
TEBM Taux d’Erreur Binaire Minimal
TUD Théorie Uniforme de la Diffraction
UMTS Universal Mobile Telecommunications System
WF Water-Filling
Wi-Fi Wireless Fidelity
WiMAX Worldwide Interoperability for Microwave Access
WMAN Wireless Metropolitan Area Network
ZF Zero-Forcing
viii
Notations
nt nombre d’antennes à l’émission

nr nombre d’antennes à la réception
s vecteurs de symboles
H matrice de canal
F matrice de précodage
G matrice de décodage
b nombre de flux de données
Hv matrice de canal virtuel
dmin distance minimale de la constellation de réception
γ angle du canal virtuel
ρ gain du canal virtuel
β exposant d’atténuation du canal
E[.] espérance mathématique
.∗ transposé conjugué d’une matrice
∣∣.∣∣F norme de Frobenius
In matrice identité de taille n
diag(.) matrice définie par sa diagonale principale
P0 puissance moyenne totale émise sur les nt antennes
σn2 variance du bruit
C ensemble des symboles complexes de la constellation
M nombre d’états dans la constellation
R rendement d’un code MIMO
R[.] partie réelle
I[.] partie imaginaire
Fv dictionnaire de N matrices unitaires
NF b nombre de bits dans le canal de retour
Epa énergie de transmission
Ec énergie de circuits
Eb /N0 rapport énergie par bit sur le bruit
Rb débit binaire
ξ rapport crête-moyenne (Peak-to-Average Power Ratio)
ix
Table des figures
1.1 Schéma d’une chaı̂ne de communication numérique . . . . . . . . . . . . . . 8

1.2 Principe de la modulation en quadrature : les impacts sont répartis dans
le plan complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Variations de la puissance reçue dans un canal radio mobile . . . . . . . . . 12
1.4 Phénomène de multi-trajets lors de la propagation de l’onde dans un envi-
ronnement extérieur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Synoptique du simulateur de canal à tracé de rayons 3D . . . . . . . . . . . 18
1.6 Présentation du simulateur : description de l’environnement, calculs des
multi-trajets et position émetteur/récepteur . . . . . . . . . . . . . . . . . . . 18
1.7 Schéma d’un sysyème MIMO à bande étroite . . . . . . . . . . . . . . . . . . 21
1.8 Capteur sans fil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9 Exemple de réseau de capteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.10 MIMO coopératif dans les réseaux de capteurs : scénario 1 . . . . . . . . . . 25
1.11 MIMO coopératif dans les réseaux de capteurs : scénario 2 . . . . . . . . . . 26
2.1 Transmission MIMO utilisant des OSTBC . . . . . . . . . . . . . . . . . . . . 33

2.2 Schéma bloc des précodeurs linéaires dans le canal virtuel . . . . . . . . . . 35
2.3 Schéma bloc des précodeurs diagonaux . . . . . . . . . . . . . . . . . . . . . 37
2.4 Schéma bloc des précodeurs non-diagonaux . . . . . . . . . . . . . . . . . . . 38
2.5 Schéma bloc de précodeur E-dmin . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6 Schéma bloc du précodeur P-OSM . . . . . . . . . . . . . . . . . . . . . . . . 45
2.7 Comparaison des TEB des précodeurs max-dmin et P-OSM (MAQ-4) et du
code d’Alamouti (MAQ-16) pour un système MIMO 2 × 2, (4 bits/s/Hz) . 47
2.8 Comparaison des TEB des précodeurs max-dmin et P-OSM pour un système
MIMO 2 × 2 et une MAQ-16 (8 bits/s/Hz) . . . . . . . . . . . . . . . . . . . 47
2.9 Comparaison des TEB des précodeurs max-dmin et P-OSM pour les systèmes
MIMO 2 × 3 et 2 × 4 et une MAQ-4 (4 bits/s/Hz) . . . . . . . . . . . . . . . 48
MIMO 4 × 2 et une MAQ-4 (4 bits/s/Hz) . . . . . . . . . . . . . . . . . . . . 49
MIMO 4 × 4 et une MAQ-4 (4 bits/s/Hz) . . . . . . . . . . . . . . . . . . . . 49
2.12 Environnement d’étude : campus de l’université de Poitiers . . . . . . . . . 50
xi
TABLE DES FIGURES
2.13 Évolution des coefficients de la matrice de canal pour une vitesse égale à 5
km/h . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.14 Évolution des coefficients de la matrice de canal pour une vitesse égale à
50 km/h . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
MIMO 2 × 2 et une MAQ-4, modèle réaliste avec une estimation parfaite . 53
MIMO 2 × 2 et une MAQ-4, modèle réaliste avec une estimation imparfaite 53
3.1 Principe général de la quantification de l’information de retour . . . . . . . 58

3.2 TEB du précodeur max-dmin : Fv complète avec une quantification de γ,
un système MIMO 2 × 2 et une MAQ-4 . . . . . . . . . . . . . . . . . . . . . 63
3.3 TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 2,
3 et 5 bits et n2 = 2 bits, un système MIMO 2 × 2 et une MAQ-4 . . . . . . 64
3.4 TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 3
et 5 bits et n2 = 2 bits, un système MIMO 2 × 4 et une MAQ-4 . . . . . . . 65
3.5 TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 3,
5 et 7 bits et n2 = 2 bits, un système MIMO 3 × 3 et une MAQ-4 . . . . . . 66
3.6 TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 5
et 7 bits et n2 = 2 bits, un système MIMO 4 × 4 et une MAQ-4 . . . . . . . 66
3.7 Algorithme de calcul proposé pour construire un dictionnaire pour la ma-
trice Fd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.8 TEB du précodeur max-dmin avec la quantification de Fv et de γ (NF b = 3+2
bits) et la quantification de F = Fv Fd (NF b = n1 = 3 bits), un système MIMO
2 × 4 et une MAQ-4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
et 7 + 2 bits) et la quantification de F = Fv Fd (NF b = n1 = 5 et 7 bits), un
système MIMO 3 × 3 et une MAQ-4 . . . . . . . . . . . . . . . . . . . . . . . 69
bits) et la quantification de F = Fv Fd (NF b = n1 = 7 bits), un système MIMO
4 × 4 et une MAQ-4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.11 TEB du précodeur P-OSM avec la quantification : nθ = 2 bits et nθ1 = 1,
2, 3 et 4 bits, un système MIMO 4 × 4 et une MAQ-4 . . . . . . . . . . . . 71
3.12 TEB du précodeur P-OSM avec la quantification : nθ = 3 bits et nθ1 = 1 et
2 bits, un système MIMO 4 × 4 et une MAQ-4 . . . . . . . . . . . . . . . . . 72
3.13 TEB du précodeur P-OSM avec la quantification pour plusieurs configura-
tions de nθ et nθ1 , un système MIMO 4 × 4 et une MAQ-4 . . . . . . . . . . 73
3.14 Comparaison des TEB des max-dmin et P-OSM avec la quantification pour
NF b = 3 bits, un système MIMO 2 × 4 et une MAQ-4 . . . . . . . . . . . . . 74
pour NF b = 7 bits, un système MIMO 4 × 4 et une MAQ-4 . . . . . . . . . . 75
NF b = 10 bits, un système MIMO 4 × 4 et une MAQ-4, . . . . . . . . . . . . 76
xii
TABLE DES FIGURES
4.1 Un exemple type de MIMO coopératif dans les réseaux de capteurs . . . . 81

4.2 Chaı̂nes classique d’émission et de réception RF . . . . . . . . . . . . . . . . 82
4.3 Comparaison des TEB des précodeurs max-dmin et P-OSM et codes OSTBC
pour une CSI complète et quantifiée avec 7 bits de retour . . . . . . . . . . 86
4.4 Principe du MIMO coopératif avec précodage . . . . . . . . . . . . . . . . . . 87
4.5 Précodeur POSM coopératif avec nt > 2 . . . . . . . . . . . . . . . . . . . . . 89
4.6 Consommation totale d’énergie pour les trois configurations coopératives
du P-OSM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.7 Répartition des énergies Epa et Ec pour un système SISO . . . . . . . . . . 94
4.8 Énergie Ec dans les systèmes MIMO coopératifs et SISO . . . . . . . . . . 95
4.9 Consommation totale d’énergie des systèmes MIMO OSTBC coopératif et
SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.10 Consommation totale d’énergie des MIMO coopératifs max-dmin, P-OSM
et OSTBC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.11 Consommation totale d’énergie des systèmes MIMO coopératifs
P-OSM (NF b = 7 et 10 bits) et OSTBC . . . . . . . . . . . . . . . . . . . . . 98
4.12 Consommation totale d’énergie des systèmes MIMO coopératifs max-dmin,
P-OSM et OSTBC, 2 × 4, NF b = 3 bits pour max-dmin et 6 bits pour P-OSM 99
4.13 Consommation totale d’énergie des systèmes MIMO coopératifs max-dmin,
P-OSM et OSTBC, 4 × 4, F = 100 et p = 3 symboles . . . . . . . . . . . . . . 101
4.14 max-dmin coopératif avec IES : exemple pour 2 nœuds . . . . . . . . . . . . . 103
4.15 TEB des précodeurs max-dmin et P-OSM en présence d’erreur de synchro-
nisation pour un système MIMO 4 × 4 avec NF b = 7 bits . . . . . . . . . . . 104
4.16 TEB des précodeurs max-dmin , P-OSM et codes OSTBC en présence d’er-
reur de synchronisation pour un système MIMO 4 × 4 avec NF b = 7 bits :
Tsyn = 0, 2Ts et 0, 3Ts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.17 TEB des précodeurs max-dmin , P-OSM et codes OSTBC en présence d’er-
reur de synchronisation pour un système MIMO 4 × 4 avec NF b = 7 bits :
Tsyn = 0, 4Ts et 0, 5Ts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.18 Consommation totale d’énergie des systèmes coopératifs pour Tsyn = 0, 2Ts 107
4.19 Consommation totale d’énergie des systèmes coopératifs pour Tsyn = 0, 3Ts 107
4.20 Consommation totale d’énergie pour les trois configurations coopératives
de P-OSM en présence d’erreur de synchronisation : Tsyn = 0, 3Ts . . . . . . 108
5.1 Décharges partielles internes et externes . . . . . . . . . . . . . . . . . . . . . 114

5.2 La densité de probabilité de Middleton Classe A pour (A = 0, 1 et 10, Γ = 0, 8)117
5.3 Procédure de validation du modèle de Middleton Classe A . . . . . . . . . . 118
5.4 Densité de probabilité pour le Bruit mesuré-1, le bruit généré Middleton-1
et le bruit gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.5 Densité de probabilité pour le Bruit mesuré-2, le bruit généré Middleton-2
et le bruit gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
xiii
TABLE DES FIGURES
5.6 TEB des précodeurs max-dmin et P-OSM en présence de bruits impulsion-

nels estimés Middleton-1 et 2 avec le récepteur MV-BG, systèmes MIMO
2 × 2 et 2 × 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.7 TEB des précodeurs max-dmin et P-OSM en présence de bruit impulsionnel
estimé Middleton-1 avec le récepteur MV-BG, système MIMO 4 × 4 . . . . 125
5.8 TEB des précodeurs max-dmin et P-OSM en présence de bruit impulsionnel
estimé Middleton-1 avec le récepteur MV-BI, système MIMO 4 × 4 . . . . . 126
5.9 Poste HT des Laurentides vue aérienne avec Google Earth . . . . . . . . . . 127
5.10 Poste HT des Laurentides modélisé avec le simulateur . . . . . . . . . . . . . 128
5.11 Comparaison de la consommation d’énergie des systèmes coopératifs pour
les bruits Middleton-1 et gaussien : hauteur = 1,5 m . . . . . . . . . . . . . 129
5.12 Comparaison de la consommation d’énergie des systèmes coopératifs pour
les bruits Middleton-1 et gaussien : hauteur = 6 m . . . . . . . . . . . . . . 130
5.13 Comparaison de la consommation d’énergie des systèmes coopératifs entre
les hauteurs 1,5 et 6 m pour le bruit Middleton-1 . . . . . . . . . . . . . . . 131
5.14 Consommation d’énergie des systèmes coopératifs : comparaison des récepteurs
MV-BI et MV-BG avec le bruit Middleton-1, hauteur = 1,5 m . . . . . . . 132
5.15 Exemple d’un réseau de capteurs avec plusieurs systèmes MIMO coopératifs 139
xiv
Liste des tableaux
4.1 Valeurs du PAR calculées numériquement pour les précodeurs pour une
MAQ-4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Paramètres de modèle d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.3 Délais pour les trois configurations coopératives du P-OSM . . . . . . . . . 93
4.4 Délais des systèmes SISO et MIMO OSTBC coopératif . . . . . . . . . . . . 96
4.5 Délais des systèmes MIMO coopératifs max-dmin , P-OSM et OSTBC . . . 97
4.6 Les pertes de Eb /N0 à cause de l’erreur de synchronisation (x : le TEB cible
ne peut pas être assuré) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1 Les divergences (K-L) entre les bruits mesurés, générés et gaussien . . . . . 120
xv
Introduction
De nos jours, les réseaux de télécommunications sans fil sont présents dans de très
nombreux domaines. Les avancées technologiques et techniques opérées dans le domaine
des réseaux sans fil, de la micro-fabrication et de l’intégration des microprocesseurs ont
fait naı̂tre une nouvelle génération de réseaux de capteurs à grande échelle adaptés à une
gamme d’applications très variée. Imaginons un ensemble de petits appareils électroniques,
autonomes, équipés de capteurs et capables de communiquer entre eux sans fil. Ensemble,
ils forment un réseau de capteurs capable de fournir à distance des informations utiles
par la combinaison des mesures prises par les différents capteurs et de les communiquer
ensuite via les canaux radioélectriques.
Cette nouvelle technologie promet de révolutionner notre façon de vivre, de travailler

et d’interagir avec l’environnement physique qui nous entoure. Aujourd’hui, des capteurs
bon marché peuvent être littéralement éparpillés sur des routes, des structures, des murs,
des machines, etc. Les réseaux de capteurs peuvent être composés, suivant leur utilisation,
de différents types de nœuds ou capteurs, tels que les capteurs sismiques, thermiques, vi-
suels, infrarouges, acoustiques et radar, créant ainsi une sorte de réseau qui permet la
télédétection d’une grande variété de phénomènes physiques.
De nombreux domaines d’applications sont alors envisagés tels que la télédétection et la

télésurveillance des désastres et de l’environnement, la surveillance et la télémaintenance
préventive des machines, le domaine militaire, la médecine et la santé, les transports in-
telligents, ... Des exemples d’applications potentielles dans les domaines où ces réseaux
peuvent offrir de réelles contributions, sont exposés ci-dessous.
- Applications environnementales : Dans ce domaine nous pouvons mentionner

des applications typiques comme [1] : (i) la dispersion de thermo-capteurs à partir d’un
avion sur une forêt pour signaler un éventuel début d’incendie, (ii) le déploiement de cap-
teurs sur les sites industriels comme dans les raffineries de pétrole pour détecter des fuites
de produits toxiques (gaz, produits chimiques, pétrole, etc.). Il s’agit d’alerter les util-
isateurs dans un délai suffisamment court pour permettre une intervention efficace, (iii)
dans l’agriculture, ces réseaux sont capables d’apporter des bénéfices considérables, grâce
à leur habilité de surveiller les taux de pesticides dans l’eau potable, le degré d’érosion du
sol, le niveau de pollution de l’air en temps réel, ...
1
Introduction
- Applications militaires : Comme beaucoup d’autres technologies de l’informa-

tion, les réseaux de capteurs sans fil proviennent principalement de la recherche militaire.
Un exemple typique d’application est le déploiement d’un tel réseau dans un endroit
stratégique ou difficile d’accès [2], afin de télésurveiller toutes les activités des forces enne-
mies ou d’analyser le terrain avant d’y envoyer des troupes, par la télédétection d’agents
chimiques, biologiques ou de radiations, par exemple.
- Applications liées à la sécurité : Comme exemples d’applications de ce type nous

pouvons citer [3], [4] : (i) la télédétection des altérations dans la structure d’un bâtiment,
d’une route, d’un quai, d’une voie ferrée, d’un pont ou d’un barrage hydroélectrique suite
à un séisme ou au vieillissement, par des capteurs préalablement intégrés dans les murs ou
dans le béton, (ii) la détection des inondations par un système d’alerte. Ce dernier peut
contenir plusieurs types de capteurs hydrologiques qui détectent la pluie, le niveau d’eau,
ainsi que d’autres capteurs météorologiques qui servent à la détection de la température,
la pression, etc. Tous ces types de capteurs fournissent les informations nécessaires à une
base de données centralisée via des communications radio ; un modèle de prévision des
inondations est adopté pour analyser les données reçues et générer les avertissements
éventuels.
- Applications industrielles : Parmi ces applications nous citons un exemples typ-

ique : le “Smart Grid” [5]. C’est une des dénominations d’un réseau de distribution
d’électricité intelligent qui utilise la technologie des réseaux de capteurs.
Le réseau électrique est constitué de plusieurs postes électriques haute-tension (HT)
qui peuvent avoir une multitude de fonctions visant à sécuriser et contrôler le transport
de l’énergie. Dans ce contexte, certains fournisseurs d’électricité comme Hydro-Québec
au Canada [6], souhaite pouvoir contrôler et surveiller ce réseau à distance en mettant
en place des capteurs sans fil. Différents types d’applications pourront être mis en œuvre
pour le contrôle et la maintenance [6] :
– Des applications de téléprotection et d’automatismes de contrôle du réseau électrique
qui permettent de maintenir la stabilité.
– Des applications de téléconduite pour l’exploitation de ce réseau.
– Des applications de télémaintenance qui serviront à l’analyse du comportement du
réseau et de ses automatismes, ainsi que pour la configuration et l’entretien des
équipements du poste.
Dans la majorité de ces applications, les circuits émetteurs/récepteurs des capteurs

doivent être capables de fonctionner durant une longue période en étant alimentés sur
simple pile. Recharger les batteries dans un réseau de capteurs est parfois impossible en
raison de l’emplacement des capteurs, mais le plus souvent pour la simple raison que cette
opération est pratiquement ou économiquement infaisable. Il est donc largement reconnu
que la réduction d’énergie consommée est une question incontournable dans la conception
des réseaux de capteurs en raison des contraintes strictes qu’elle impose sur l’exploitation
2
Introduction
du réseau. Dans les réseaux de capteurs, la consommation d’énergie est constituée de deux
sources principales : l’énergie de transmission qui dépend de la distance de transmission,
l’atténuation du canal, les caractéristiques d’antennes et l’énergie consommée dans les
circuits tel que les blocs RF et les processeurs.
Par ailleurs, les systèmes multi-antennaires MIMO (Multiple-input Multiple-output)
ont été largement étudiés au cours des dernières années en raison de leur potentiel à aug-
menter considérablement les performances des systèmes de transmissions sans fil dans des
canaux à évanouissements en termes de robustesse, de débits et de qualité de service. Le
potentiel des systèmes MIMO peut aussi être utilisé pour réduire l’énergie de transmission
dans les réseaux de capteurs. Toutefois, l’application directe de la technique MIMO à de
tels réseaux n’est pas possible à cause de la taille limitée des capteurs. Cependant, les
capteurs peuvent coopérer pour correspondre à une entité multi-antennaire et réaliser une
transmission MIMO. Cette technique de coopération est appelée MIMO coopératif. Ce
dernier a récemment montré son efficacité en terme de consommation d’énergie en com-
paraison avec le système mono-antennaire SISO (Single-Input Single-Output) classique-
ment utilisé dans les réseaux de capteurs. Cependant, ce système coopératif était jusque-là
basé sur un système MIMO à boucle ouverte en utilisant les codes spatio-temporels en
bloc orthogonaux (OSTBC).
L’enjeu de cette thèse est d’étudier l’application des nouvelles techniques MIMO à
boucle fermée dans le contexte de MIMO coopératif pour les réseaux de capteurs afin
de réduire la consommation l’énergie. Ces nouvelles techniques MIMO sont basées sur
les précodeurs max-dmin et P-OSM qui nécessitent la connaissance du canal à l’émission
(Channel State Information ou CSI). Le terme de précodeur regroupe toute utilisation
de la CSI pour améliorer conjointement l’émetteur et le récepteur d’un système de trans-
mission en optimisant un critère pertinent. Ces deux précodeurs maximisent la distance
minimale de la constellation à la réception (dmin) mais utilisent deux philosophies de
précodage différentes. La CSI à l’émission nécessite la mise en place d’un canal de retour
d’information du récepteur vers l’émetteur en renvoyant toute l’estimation du canal (CSI
complète). Afin de rendre l’utilisation de la CSI réaliste dans les réseaux de capteurs, nous
quantifions les précodeurs max-dmin et P-OSM. L’objectif est de réduire au maximum l’in-
formation envoyée dans le canal de retour tout en ayant des performances acceptables des
précodeurs (CSI quantifiée).
Ce document est structuré en cinq chapitres :
Le premier chapitre
Il introduit rapidement les notions de base pour la compréhension de ce mémoire. Ainsi,
une chaı̂ne de communication numérique d’un système mono-antennaire est décrite. Elle
est ensuite étendue aux systèmes multi-antennaires MIMO avec la présentation du modèle
équivalent en bande de base et les récepteurs couramment utilisés. Le principe des réseaux
de capteurs sera également présenté.
3
Introduction
Le deuxième chapitre
Dans ce chapitre, nous présenterons des techniques MIMO à boucle ouverte et fermée
permettant d’exploiter les avantages du canal multi-antennaire. Ce chapitre décrit les
précodeurs max-dmin et P-OSM utilisés dans nos travaux et présente rapidement d’autres
précodeurs présents dans la littérature. Nous évaluerons les performances des précodeurs
max-dmin et P-OSM en terme de taux d’erreur binaire (TEB) dans un canal de Rayleigh
et ensuite dans un canal réaliste produit par un simulateur déterministe de propagation
d’ondes.
Le troisième chapitre
Il s’intéresse à la quantification des précodeurs max-dmin et P-OSM. Dans les situa-
tions pratiques comme dans les réseaux de capteurs, la quantité d’information de retour
(CSI) doit être aussi faible que possible afin de limiter la consommation d’énergie. L’ob-
jectif consiste ainsi à quantifier l’information de retour afin de limiter sa taille et à avoir
une bonne performance en fonction de la quantification adéquate de la CSI disponible
à l’émission comparée au cas optimal (CSI complète). Nous étudierons et développons
plusieurs stratégies de quantification et déterminerons la meilleure en termes de TEB
obtenu et de nombre de bits disponibles dans le canal de retour. Nous continuerons en-
suite en analysant la complexité de ces précodeurs à travers les étapes de transmission et
de réception.
Le quatrième chapitre
La quantification effectuée dans le troisième chapitre va nous permettre d’appliquer les
précodeurs max-dmin et P-OSM dans le contexte de MIMO coopératif pour les réseaux de
capteurs. L’objectif est d’exploiter au mieux le principe de coopération des capteurs afin
de réduire la consommation l’énergie. Toutefois, l’application de ces précodeurs est plus
compliquée que les codes OSTBC à cause des étapes supplémentaires nécessaires à la CSI.
Ainsi, notre contribution consiste à proposer plusieurs schémas coopératifs qui permet-
tent de mettre en place les deux précodeurs avec le canal de retour quantifié sur quelques
bits. Les performances des systèmes proposés en termes de consommation d’énergie et de
délai de transmission seront évaluées et analysées en prenant comme référence le système
MIMO coopératif à codes spatio-temporels présent dans la littérature. Dans le MIMO
coopératif, les capteurs sont physiquement séparés dans l’espace ce qui peut entrainer
une désynchronisation de leurs horloges. Pour cela, nous étudierons d’abord les MIMO
coopératifs proposés en supposant une synchronisation parfaite entre les capteurs et en-
suite en introduisant une erreur de synchronisation.
Le cinquième chapitre
Nous nous intéressons ici à l’utilisation de réseaux de capteurs dans les postes électriques
HT dans le contexte de “Smart Grid”. Ce travail a été mené dans le cadre d’une collabo-
4
Introduction
ration scientifique entre le département SIC (Université de Poitiers) du laboratoire XLIM

et l’Institut de recherche d’Hydro-Québec (IREQ) à Montréal. Le fournisseur d’électricité
Hydro-Québec tente de contrôler et de surveiller leurs réseaux électriques en utilisant le
“Smart Grid”. Cependant, cet environnement est perturbé par le bruit impulsionnel qui
peut fortement dégrader les performances et la fiabilité des systèmes de communication
sans fil. Dans ce chapitre, les systèmes MIMO coopératifs proposés seront évalués dans
un environnement réel de poste électrique HT au Québec et en présence de bruit impul-
sionnel. Nous étudierons la modélisation du bruit impulsionnel dans les postes électriques
HT. En utilisant une série de mesures de ce bruit effectuée par l’École de Technologie
Supérieure de Montréal (ÉTS), nous déterminerons un modèle statistique du bruit impul-
sionnel. Nous proposerons une extension du modèle de bruit en réception pour un système
multi-antennaire. L’impact de ce bruit impulsionnel sur le TEB de systèmes MIMO sera
ensuite estimé en utilisant deux récepteurs du maximum de vraisemblance. Le premier
est basé sur l’hypothèse de bruit gaussien et le deuxième est basé sur l’hypothèse de bruit
impulsionnel.
Nous terminerons ce manuscrit par une conclusion et quelques perspectives.
5
Chapitre 1
Les communications numériques et
les systèmes MIMO
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Chaı̂ne de communication numérique . . . . . . . . . . . . . . . 8
1.3 Le canal d’un système mono-antennaire (SISO) . . . . . . . . . 10
1.3.1 Le bruit radio-électrique . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Propriétés des canaux radio mobiles . . . . . . . . . . . . . . . . . 11
1.3.3 Modélisation du canal de transmission radio . . . . . . . . . . . . 15
1.4 Notion de diversité . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Introduction aux systèmes multi-antennaires . . . . . . . . . . 20
1.5.1 Présentation des systèmes MIMO . . . . . . . . . . . . . . . . . . 20
1.5.2 Modèle du canal MIMO . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.3 Récepteur considéré . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Les réseaux de capteurs . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.1 Présentation générale . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.2 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6.3 Le MIMO et les réseaux de capteurs . . . . . . . . . . . . . . . . . 25
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
7
CHAPITRE 1. LES COMMUNICATIONS NUMÉRIQUES ET LES SYSTÈMES
MIMO
1.1 Introduction
Notre étude met en avant les intérêts de systèmes multi-antennaires ou multiple-input
multiple-output (MIMO) dans un contexte des réseaux de capteurs. Ce mémoire porte
plus particulièrement sur l’utilisation de précodeurs MIMO avec la connaissance du canal
à l’émission. Tous les domaines de l’électronique sont sollicités tout au long de la trans-
mission : hyperfréquence, propagation, conversion numérique-analogique et analogique-
numérique, traitement du signal. Vu le large spectre de connaissances, ce chapitre se lim-
itera à recadrer l’étude avec notamment l’introduction aux systèmes MIMO et à présenter
des points nécessaires à la bonne compréhension du mémoire.
Dans un premier temps, nous allons ici décrire le fonctionnement d’une chaı̂ne de
transmission numérique, de la source d’information binaire au destinataire, par les étapes
successives de codage, de transmission dans un canal physique et de décodage. Les canaux
de transmission vont alors être décrits. Nous introduirons ensuite la notion de diversité et
les systèmes multi-antennaires (MIMO). Enfin, nous présenterons le principe des réseaux
de capteurs.
1.2 Chaı̂ne de communication numérique

Les systèmes de transmission numérique véhiculent de l’information sous forme numé-
rique entre une source et un ou plusieurs destinataires en utilisant un canal de transmis-
sion. Les signaux transportés peuvent être soit directement d’origine numérique, comme
dans les réseaux de données, soit d’origine analogique (parole, image...) mais convertis
sous une forme numérique. Ce paragraphe rappelle succinctement les bases des communi-
cations numériques. Plus de détails sont disponibles dans [7] et [8]. Les différents éléments
de base d’une chaı̂ne de transmission sont rappelés par la figure 1.1.
Codeur Codeur
Source Modulateur
de source de canal
Canal de
Transmission
Décodeur Décodeur Démodulateur

Message
de source de canal
Figure 1.1 - Schéma d’une chaı̂ne de communication numérique
Si le message produit par la source est de type analogique, il est converti en une
séquence d’éléments binaires par des étapes successives d’échantillonnage, de quantifica-
8
MIMO
tion et de codage binaire. Dans le cas idéal, cette séquence doit être la plus courte possible.
Pour augmenter l’efficacité de la transmission et optimiser l’utilisation des ressources du
système, un codeur de source compresse les données en éliminant les éléments binaires
non significatifs. Nous ne nous intéresserons pas dans cette thèse au codage de source,
et considérerons que la source d’information est idéale, i.e. délivre des éléments binaires
indépendants et identiquement distribués (iid ).
Lors du passage dans le canal de transmission, le signal est altéré par du bruit et
des interférences, induisant parfois le récepteur en erreur. Afin d’augmenter la fiabilité de
la transmission, un codeur de canal introduit, de manière parfaitement contrôlée, de la
redondance dans la séquence d’information. Ce codage est encore appelé codage détecteur
et correcteur d’erreurs puisque le récepteur connaı̂t la loi de codage utilisée et est donc
capable de détecter puis éventuellement corriger les données binaires erronées (codage de
Hamming [9], entrelaceur, turbo codes [10]). À la sortie du codeur de canal, la séquence
d’information binaire passe par un modulateur numérique, qui sert d’interface avec le
canal de transmission en donnant au signal une contenance physique.
À la réception, le démodulateur traite les formes d’onde en provenance du canal et les
réduit à des séquences de nombres, qui représentent des estimations des symboles émis.
Ces séquences sont ensuite décodées selon les opérations inverses de celles employées à
l’émission, ce qui permet au destinataire de retrouver l’information binaire initiale.
L’information binaire n’arrive pas toujours sans erreur au destinataire à cause du
bruit. La fréquence à laquelle les erreurs se produisent constitue une bonne indication de
la fiabilité de la communication. Pour la quantifier, on définit le Taux d’Erreur Binaire
(TEB) comme le rapport entre le nombre de bits erronés et le nombre total de bits émis.
La chaı̂ne de transmission décrite plus haut est étudiée grâce à un signal en bande
de base car il n’y a pas de transposition du signal autour d’une fréquence porteuse [11].
Ainsi, le signal modulé est une suite de coefficients complexes issus du diagramme de
constellation de la modulation.
Les modulations numériques
Il existe différentes modulations permettant de transmettre des informations numé-

riques. Citons en quelques unes : modulation à déplacement d’amplitude (MDA), de phase
(MDP) ou de fréquence (MDF), et la modulation d’amplitude en quadrature (MAQ). Nous
utiliserons principalement la MAQ dans les transmissions étudiées. Le désavantage de la
MAQ est que la puissance instantanée fluctue selon le symbole émis. Nous ne considérerons
comme contrainte que la puissance moyenne des symboles disponibles, celle-ci devant être
unitaire :
1 M
E[∣si ∣2 ] = ∑ ∣si ∣2 = 1 si ∈ C (1.1)
M i=1
où E[.] est l’espérance mathématique, M représente le nombre de symboles de la constel-
lation, si est un symbole et C est l’ensemble complexe des symboles disponibles. La figure
9
MIMO
1.2 représente les√impacts de la modulation dans le plan complexe : les points forment des
carrés de côtés 2 βM et sont équirépartis sur le plan. Le terme βM est donné par :
3
βM = pour M = 2n avec n = 2, 3, 4, .... (1.2)
2(M − 1)
√
Partie imaginaire
2 βM
Partie réelle
Figure 1.2 - Principe de la modulation en quadrature : les impacts sont répartis dans le plan
complexe
1.3 Le canal d’un système mono-antennaire (SISO)

Le canal de transmission est un support physique permettant de transmettre l’infor-
mation entre un émetteur et un récepteur. Dans le cas d’une communication sans fil, c’est
l’onde électromagnétique qui assure l’acheminement de l’information vers le récepteur
dans l’air. Dans cette section, nous considérons un canal SISO (Single Input-Single Out-
put) soit une antenne en émission et une antenne en réception. Nous allons aborder les
phénomènes perturbants le signal émis ainsi que les modèles les plus souvent adoptés pour
caractériser un canal sans fil.
1.3.1 Le bruit radio-électrique

Le bruit [12] est l’élément perturbateur majeur d’une communication numérique. Rap-
pelons que le but d’une chaı̂ne de transmission est de transmettre une information précise
10
MIMO
en utilisant un signal ayant traversé un canal. Celui-ci peut subir diverses déformations
et notamment des signaux qui se superposent au signal initial. Ainsi, le bruit se définit
comme tout signal ne contenant pas d’information utile pour retrouver le message d’orig-
ine. Ce bruit possède une puissance et permet d’introduire un paramètre de référence :
le rapport signal sur bruit (RSB) défini comme le rapport de la puissance du signal utile
sur la puissance du bruit. Un des intérêts des communications numériques est de proposer
une sensibilité au bruit inférieure à celle des communications analogiques. Les sources de
bruit sont multiples, en voici une liste non exhaustive :
– bruit interne des composants (bruit thermique dû à l’activité des électrons dans les
semi-conducteurs),
– le rayonnement cosmique,
– l’activité humaine comme l’émission d’autres signaux,
– ...
Le bruit est donc une valeur stochastique que ni l’émetteur ni le récepteur ne peuvent
contrôler. Il est nécessaire d’attribuer un modèle statistique au bruit et celui classique-
ment utilisé est de considérer un bruit (noté n) blanc additif gaussien (BBAG) de valeur
moyenne nulle et de variance σn2 .
1.3.2 Propriétés des canaux radio mobiles

Outre le bruit ajouté lors de la transmission, le canal atténue la puissance du signal
émis. Les transmissions sur le canal mobile dans des environnements extérieurs (présence
de nombreux bâtiments) ou intérieurs (murs, meubles, etc.) génèrent beaucoup d’échos que
la modélisation du canal doit prendre en compte. La figure 1.3 est une bonne illustration
pour représenter les différentes dégradations de la puissance reçue dans un environnement
radiomobile. On peut constater que la puissance reçue subit des atténuations de différentes
natures liées aux spécificités du milieu de propagation et à la mobilité de l’émetteur et du
récepteur dans l’environnement.
Les atténuations d’un canal radio mobile se présentent sous trois formes différentes :
– L’atténuation à grande échelle : elle représente l’atténuation moyenne du signal

reçu sur des distances d’une centaine de longueurs d’onde et apparaı̂t classiquement
dans le bilan de liaison d’une transmission [8]. Ces atténuations dépendent prin-
cipalement de la distance entre l’émetteur et le récepteur. L’atténuation à grande
échelle impose la tendance générale et peut être complétée par deux autres fluctua-
tions : à moyenne et petite échelle.
– L’atténuation à moyenne échelle : elle se présente sous la forme de variations

de la puissance reçue sur des distances de l’ordre d’une dizaine de longueurs d’onde,
entrainées principalement par les effets de masquage du signal dans dus aux les
différents obstacles de l’environnement disposés sur la trajectoire des ondes.
11
MIMO
Figure 1.3 - Variations de la puissance reçue dans un canal radio mobile
– L’atténuation à petite échelle :elle se présente sous la forme de fluctuations du

signal reçu sur des distances de l’ordre de la longueur d’onde. Ces variations sont
dues au phénomène physique de trajets multiples [13].
Les multi-trajets
Les trajets multiples sont causés par les interactions électromagnétiques de l’onde avec
des diffuseurs (bâtiments, arbres, personnes, etc.) situés sur sa trajectoire. Ainsi, le signal
reçu consiste en une superposition d’ondes provenant de toutes les directions dues aux
interactions telles que des réflexions, diffractions, diffusions et leurs combinaisons.
On définit ces interactions telles que :

– la réflexion/réfraction : on parle de réflexion et de réfraction lorsqu’une onde inter-
agit avec une interface entre deux milieux, que les dimensions de cette interface sont
grandes et ses irrégularités très petites devant la longueur d’onde. Généralement,
ces deux phénomènes interviennent simultanément.
– La diffusion : elle intervient lorsque l’onde rencontre, lors de sa propagation, un

nombre très important d’obstacles de dimension du même ordre de grandeur ou
inférieure à sa longueur d’onde.
12
MIMO
– La diffraction : lorsqu’une onde se propage et qu’elle rencontre l’arête ou la pointe

d’un obstacle, elle subit une diffraction. Selon le principe de Huygens, toute arête
ou pointe diffractante se comporte comme une nouvelle source qui rayonne l’énergie
incidente dans presque toutes les directions de l’espace. Ce phénomène contribue
significativement au niveau du signal reçu par un récepteur en absence de visibilité
avec l’émetteur (NLOS : Non Line Of Sight).
La figure 1.4 illustre le phénomène de propagation multi-trajets dans un environnement
urbain.
Figure 1.4 - Phénomène de multi-trajets lors de la propagation de l’onde dans un environnement

extérieur
Dans le cas de transmission de signaux numériques sous la forme d’impulsions, nous

observons l’apparition de répliques de ces impulsions au niveau du récepteur. L’ensemble
de ces répliques constitue la Réponse Impulsionnelle (RI) du canal [13]. Elle est définie
par :
N
h(t, τ ) = ∑ ãi (t)δ(τ − τi (t)) (1.3)
i=1
où δ est l’impulsion de dirac, N est le nombre de trajets, τi et ãi (t) sont les retards de
propagation et les gains complexes du trajet i.
La dispersion temporelle du canal, noté τrms , est calculée par :
1/2
∑ (τi − τm )2 ∣∣ãi ∣∣2
N
τrms = ( i=1 N ) (1.4)
∑i=1 ∣∣ãi ∣∣2
13
MIMO
où τm est le retard moyen calculé par :
∑ τi ∣∣ãi ∣∣2
N
τm = i=1 (1.5)
∑i=1 ∣∣ãi ∣∣2
N
Le paramètre τrms est un bon indicateur de l’étalement des trajets multiples. Il permet
de contrôler l’impact des interférences entre symboles (IES).
La bande de cohérence du canal, notée Bc , correspond à la gamme de fréquences sur
laquelle les amplitudes des composantes fréquentielles du signal, fortement corrélées, subis-
sent des atténuations semblables. La cohérence fréquentielle est liée au caractère sélectif
en fréquence du canal, dû aux différents trajets reçus qui ont des retards de propagation
différents. En dehors de cette bande de fréquence, les distorsions du signal deviennent non
négligeables. On peut considérer l’approximation indiquant que la bande de cohérence est
du même ordre de grandeur que l’inverse de la dispersion des retards [14] : Bc ∼ τrms 1
.
Si nous notons Bs la bande passante du signal émis, tant que Bs < Bc , toutes les com-
posantes fréquentielles du signal subissent des atténuations semblables, et le canal est dit
non sélectif en fréquence (canal bande étroite).
L’effet Doppler
En plus de ces différents évanouissements présentés précédemment, le signal peut être

sujet à un décalage de fréquence, appelé l’effet Doppler. Celui-ci est dû à la mobilité
des terminaux et/ou de l’environnement et est proportionnel à la vitesse de déplacement
ainsi qu’à la fréquence porteuse. Il provoque un décalage fréquentiel de chacune des ondes
qui compose le signal reçu. Cela se traduit par une expansion fréquentielle du spectre
du signal durant la transmission et, dans le domaine temporel, par une variation de la
RI en fonction du temps [15]. Le décalage Doppler Bm correspond à la différence entre
le plus grand et le plus petit décalage en fréquence inhérents aux trajets multiples. On
représente par Tc le temps de cohérence du canal qui caractérise la variation temporelle du
canal. Tc indique la durée pendant laquelle la réponse impulsionnelle du canal peut être
considérée comme invariante. Le temps de cohérence est le paramètre dual du décalage
Doppler. Traditionnellement, Tc est du même ordre de grandeur que l’inverse du décalage
Doppler : Tc ∼ B1m . Si on considère Ts le temps symbole du signal émis, il est clair que
pour éviter la sélectivité en temps, il faut respecter la contrainte : Ts < Tc .
Canal bande étroite
Par la suite, nous supposons que la transmission est dite bande étroite, c’est-à-dire
(Bs < Bc ). De plus, la synchronisation et l’échantillonnage sont parfaits car ce n’est pas
ici l’objet de l’étude. L’échantillon à l’instant k du signal reçu est :
rk = h̃sk + nk (1.6)
14
MIMO
où nk est un bruit additif et h̃ est un gain complexe relatif au canal de transmission.
Ce terme dépend des ãi et τi des multi-trajets et de la fréquence porteuse. Il dépend
étroitement de la configuration de la transmission comme l’environnement géographique
ou le matériel et il peut changer pour chaque transmission. Le gain h̃ est modélisé par
une variable aléatoire selon des modèles statistiques du canal que nous allons présenter
dans le paragraphe 1.3.3.2.
1.3.3 Modélisation du canal de transmission radio

Il existe dans la littérature de nombreux modèles permettant de prédire le comporte-
ment des différents phénomènes du canal radio mobile. Ces modèles peuvent être classés
selon plusieurs critères. Ils peuvent par exemple être identifiés suivant le type de variations
qu’ils modélisent. C’est cette classification qui est généralement adoptée dans le domaine
des communications numériques [13], [15]. Dans cette section, nous ne nous intéressons
qu’aux modèles considérés dans la thèse bien qu’il en existe d’autres dans la littérature.
1.3.3.1 Modèles déterministes

Modèle en espace libre :
Ce modèle permet de modéliser les variations à grande échelle en calculant la puis-

sance reçue dans le cas d’une transmission idéale : l’émetteur et le récepteur sont en
visibilité directe (LOS : Line Of Sight) et la communication se fait uniquement à travers
le trajet direct. La puissance reçue est donnée par la loi de Friis [16] :
λ 2
P Y = P X GX GY ( ) (1.7)
4πd
où PX et PY représentent respectivement les puissances d’émission et de réception en

Watt, Gt et Gr représentent respectivement le gain des antennes de transmission et de
réception, λ est la longueur d’onde en mètre et d est la distance parcourue par l’onde
transmise en mètre. À partir de cette formule, nous pouvons constater que la puissance
reçue dépend uniquement de la longueur d’onde et de la distance (atténuation en d2 )
entre l’émetteur et le récepteur. Cependant, dans le cas des transmissions radio-mobiles
terrestres, où l’onde est atténuée par les différents obstacles de l’environnement, cette
relation n’est plus vérifiée [16].
Modèle à exposant (log-distance path-loss model) :
Le modèle à exposant [17] modélise les variations à grande échelle du canal. Ce modèle
est basé sur le modèle en espace libre dans lequel est introduit une atténuation supplé-
mentaire liée à la nature de l’environnement de propagation. La puissance reçue pour ce
15
MIMO
modèle est donnée par l’expression suivante [17] :
d0 β
PY = PY0 ( ) (1.8)
d
où PY0 représente la puissance reçue obtenue par le modèle en espace libre à une distance
de référence d0 généralement fixée à 1 mètre, et β l’exposant d’atténuation.
Ce modèle considère l’environnement à travers la composante exponentielle β. La
valeur de β est évaluée empiriquement dans différents environnements de propagation.
Par exemple, pour un environnement en espace libre, β prend la valeur 2 alors que pour
un environnement urbain, β prend ses valeurs dans l’intervalle [2,5 ; 6] selon la densité de
bâtiments constituant l’environnement [17].
Modèles à rayons :
Les modèles à rayons entrent dans la famille des méthodes asymptotiques développées
pour répondre à des problèmes d’électromagnétisme de grandes envergures comme la sim-
ulation de la propagation d’ondes électromagnétiques en environnements outdoor/indoor
réels [18]. Ces méthodes sont basées sur l’Optique Géométrique (OG) et la Théorie Uni-
forme de la Diffraction (TUD), où la propagation multi-trajets de l’onde électromagnétique
représentées par des rayons. Cette approche est largement adoptée lors de la conception de
logiciels de simulation du canal de propagation qui nécessitent, à leur tour, des méthodes
pour identifier les trajets se propageant entre un émetteur et un récepteur. Deux modèles
découlent directement de ces méthodes : les modèles à tracé et à lancer de rayons.
1. Modèle à lancer de rayons : le principe de la méthode à lancer de rayons consiste

dans un premier temps à inonder l’environnement de rayons partant de l’émetteur.
Suivant le parcours de chaque rayon, l’algorithme détermine les différentes inter-
actions électromagnétiques entre les rayons et les obstacles constituant l’environ-
nement étudié. L’algorithme considère la géométrie et les propriétés électriques des
matériaux rencontrés, et seuls les trajets passants à proximité du récepteur sont
retenus pour le calcul des trajets. La précision des résultats obtenus par la méthode
à lancer de rayons dépend du nombre de rayons à lancer, du pas angulaire choisi
pour couvrir l’environnement 3D et du volume de la sphère de réception [19].
2. Modèle à tracé de rayons : Le modèle à tracé de rayons [20],[21] détermine sans

aucune approximation les rayons qui peuvent se propager d’un émetteur vers un
récepteur. L’opération de recherche des rayons qui existent entre le couple émetteur-
récepteur se fait soit par la méthode des images ou celle de pliage [22]. L’atténuation
de chacun des trajets reçus est alors due d’une part aux différentes contributions
de l’onde ayant interagi avec les obstacles pour lesquels les propriétés électriques
(permittivité, conductivité) sont connues et d’autre part à la propagation de l’onde
16
MIMO
en espace libre calculée par la loi de Friis. Le tracé de rayons est plus précis que
le lancer de rayon, puisqu’il calcule les trajets de manière déterministe entre un
émetteur et un récepteur. Cependant, contrairement au modèle à lancer de rayons,
il est nécessaire de recourir à une simulation pour chaque configuration d’émetteur-
récepteur.
Nous présentons maintenant un simulateur de canal basé sur le tracé de rayons et

permettant de modéliser la propagation de l’onde dans un environnement quelconque.
Ce logiciel représente un modèle de propagation déterministe qui a été totalement

développé au laboratoire XLIM-SIC de l’Université de Poitiers [23]. Le simulateur de
canal s’appuie sur l’association d’une technique de tracé de rayons 3D, pour la recherche
de trajets et une méthode asymptotique en fréquence qui repose sur la théorie de l’Optique
Géométrique et la Théorie Uniforme de la Diffraction. Cet outil prend en entrée l’environ-
nement de simulation, les positions de l’émetteur et du récepteur dans l’environnement, la
fréquence porteuse et le nombre d’interactions électromagnétiques maximum à prendre en
compte par le simulateur. Pour une liaison émetteur-récepteur choisie, le simulateur peut
déterminer et caractériser l’ensemble des trajets existants. Nous avons ainsi accès aux
informations relatives à chacun des trajets (atténuation, phase, polarisation et position
des points d’interactions électromagnétiques subies par l’onde avec son environnement).
De ce fait, nous pouvons obtenir une réponse impulsionnelle (RI) complexe notée, h(τ ),
pour un point de réception choisi telle que :
N
h(τ ) = ∑ ãi δ(τ − τi ) avec ãi = ai e−jθi (1.9)
i=1
où ai est l’atténuation du trajet i retardé de τi et la phase θi dépend de l’interaction

électromagnétique considérée. La figure 1.5 illustre le principe de ce simulateur et la
figure 1.6 montre l’interface utilisateur.
Il est également possible de suivre l’évolution de cette RI en considérant un parcours
de déplacement de l’émetteur et/ou du récepteur. Ce simulateur de propagation permet
aussi le calcul de la zone de couverture d’un terminal positionné dans l’environnement. Cet
outil intègre toutes les spécificités (géométriques et électriques) liées à l’environnement, et
modélise toutes les variations d’un canal radio mobile : variations à petite, à moyenne et
à grande échelle. Enfin, ce logiciel offre la possibilité de travailler en indoor ou en outdoor.
Ce simulateur est utilisé dans certaines parties de nos travaux pour obtenir un modèle
réaliste du canal de transmission.
17
MIMO
Figure 1.5 - Synoptique du simulateur de canal à tracé de rayons 3D
Émetteur
Récepteur
Figure 1.6 - Présentation du simulateur : description de l’environnement, calculs des multi-

trajets et position émetteur/récepteur
1.3.3.2 Modèles statistiques

Les modèles statistiques [15] prédisent de manière stochastique le comportement du
canal sur de larges zones. Généralement ces modèles sont moins précis que les modèles
déterministes et associent une loi statistique à un ensemble d’environnements ou de config-
urations de transmission partageant les mêmes spécificités. Cependant, ils ont l’avantage
d’être simples, et nécessitent de faibles capacités en temps de calcul. Nous allons présenter
les deux modèles les plus utilisés dans un contexte de réseau sans fil.
18
MIMO
Modèle de Rayleigh :
Le modèle de Rayleigh modélise à l’aide de la distribution de Rayleigh les variations

rapides de l’amplitude du signal reçu. Lorsque le signal reçu y est la somme d’un grand
nombre de trajets d’amplitudes ∣yi ∣ faibles et de même ordre de grandeur, et que la valeur
de la phase ϕi de chaque trajet est uniformément répartie sur l’intervalle [−π, π], on peut
alors considérer la densité de probabilité (DDP) de la somme des trajets reçus comme une
gaussienne. En effet, les valeurs d’amplitude et de phase représentent les réalisations de
deux variables aléatoires gaussiennes indépendantes. En conséquence, d’après le théorème
central limite, la DDP de la somme des variables yi est aussi gaussienne. Dans une trans-
mission réelle, ces conditions sont souvent vérifiées lors d’une communication NLOS dans
un environnement de propagation riche en multi-trajets. Dans de telles conditions, l’am-
plitude z du signal reçu y est décrite par la DDP de Rayleigh [15] :
z z2
Pz (z) = exp (− ) (1.10)
σ2 2σ 2
avec σ 2 la puissance moyenne du signal reçu.
Modèle de Rice :
Le modèle de Rice modélise aussi les variations rapides de l’amplitude du canal ra-
dio mobile mais lorsqu’il existe un trajet prédominant, par exemple le trajet direct LOS.
Ainsi, les statistiques de l’amplitude et de la phase ne correspondent plus au cas précédent.
On peut alors montrer que dans de telles conditions la DDP de l’amplitude z suit la DDP
de Rice [15] :
z z + u2 ux
Pz (z) = 2 exp (− 2 )I0 ( 2 ) (1.11)
σ σ σ
où I0 (x) est la fonction de Bessel modifiée d’ordre 0 et u2 représente le rapport entre la
puissance du trajet prédominant et celle résultante des autres trajets. On peut constater
que quand u = 0 on retrouve la DDP de Rayleigh.
Ces deux modèles peuvent être utilisés pour modéliser le gain complexe h̃ relatif au
canal de transmission bande étroite (Eq. 1.6). À coté de ces deux modèles, il en existe
d’autres comme le modèle log-normal Shadowing [13] et le modèle de Nakagami [15].
1.4 Notion de diversité

Les canaux considérés dans la présentation précédente prennent en compte les multi-
trajets engendrant des évanouissements à faible échelle. La diversité est utilisée dans les
systèmes de transmission sans fil pour combattre l’évanouissement à faible échelle causé
par les multi-trajets. En effet, si plusieurs répliques de l’information sont reçues par des
19
MIMO
liaisons dont les évanouissements respectifs sont indépendants les uns des autres, il y a
une très forte probabilité pour que l’une de ces liaisons au moins ne subisse pas de forte
atténuation, augmentant ainsi la fiabilité de la liaison. La diversité se révèle donc être
un outil très puissant pour combattre les évanouissements et améliorer les performances
(diminution du TEB), et permet notamment d’augmenter la capacité et la couverture
des systèmes radios. Les différentes formes de diversité traditionnellement exploitées en
communications numériques sont [24] :
– La diversité temporelle : elle s’applique pour les canaux sélectifs en temps. L’infor-
mation est répétée dans le temps à intervalles plus grands que le temps de cohérence
du canal (durée minimale entre deux évanouissements indépendants). La diversité
temporelle est généralement utilisée avec de l’entrelacement et du codage correcteur
d’erreur.
– La diversité fréquentielle : elle s’utilise pour les canaux sélectifs en fréquence. L’infor-
mation est répétée sur une bande de fréquence plus large que la bande de cohérence
du canal (espacement fréquentiel minimal entre deux fréquences affectées d’évanoui-
ssements indépendants). La diversité fréquentielle s’emploie généralement à l’aide
de techniques d’étalement de spectre ou multi-porteuses [25], [26].
– La diversité de polarisation : un même signal ou une réplique redondante est émis

en utilisant des ondes polarisées différemment [27], [28]. La solution la plus courante
est l’utilisation de deux polarisations orthogonales, comme la verticale et l’horizon-
tale par exemple. Il faut néanmoins que les caractérisiques de propagation des deux
ondes soient différentes.
– La diversité spatiale : elle consiste à utiliser plusieurs antennes distantes d’au moins
la distance de cohérence du canal (distance minimale pour obtenir des évanouisse-
ments indépendants). La diversité spatiale existe à l’émission et en réception. Les
systèmes MIMO permettent de créer une diversité spatiale très importante [29].
1.5 Introduction aux systèmes multi-antennaires

1.5.1 Présentation des systèmes MIMO
Les communications sur le canal radio-mobile se sont fortement développées ces dernièr-
es années, aussi bien en terme de nombre d’utilisateurs que de débit par utilisateur. Ceci
entraı̂ne la saturation des ressources radio-fréquence dans les lieux de forte population.
D’un autre côté, les transmissions via le canal radio-mobile sont fortement pénalisées par
les évanouissements du signal, dus à la fois aux trajets multiples et aux interférences entre
symboles. Pour pallier ces inconvénients, une solution est étudiée depuis quelques années.
Il s’agit d’une architecture de transmission basée sur l’utilisation de plusieurs antennes à
l’émission et à la réception. Ces architectures, dites MIMO, ont été développées par les
20
MIMO
laboratoires Bell [30], [31] et depuis, les systèmes MIMO ont toujours suscité un intérêt
particulier pour la communauté scientifique.
Elles permettent d’atteindre à la fois de très hautes efficacités spectrales et de lutter
efficacement contre les évanouissements du signal. L’idée générale est de tirer profit de la
dimension spatiale du canal et d’exploiter les trajets multiples plutôt que de les supprimer.
Les systèmes MIMO sont très efficaces car ils peuvent utiliser toutes les techniques des
transmissions SISO, en plus des techniques qui leurs sont propres. Les systèmes SISO
emploient deux techniques de diversité : la diversité temporelle et la diversité fréquentielle
alors que les systèmes MIMO peuvent adopter ces deux formes de diversité en plus de
la diversité spatiale présentée précédemment [29]. La diversité spatiale existe à l’émission
et en réception mais elle n’y joue pas tout à fait le même rôle. En effet, la diversité
spatiale à l’émission, aussi appelée diversité de transmission, diffère selon que l’émetteur
connaı̂t ou non le canal. Si l’émetteur connaı̂t le canal, il peut en profiter pour optimiser la
transmission [32], sinon il utilisera plutôt les codes spatio-temporels [33], [34], [35], [36].
En utilisant un multiplexage spatial, l’efficacité spectrale des systèmes MIMO peut
considérablement augmenter. En fait, les antennes émettrices transmettent chacune un
symbole différent, indépendant de celui des autres antennes, mais en utilisant la même
modulation et la même fréquence porteuse. La bande passante utilisée reste identique à
celle d’un système SISO, mais comme plusieurs symboles sont émis, l’efficacité spectrale
augmente. Le traitement des données tant à l’émission qu’à la réception est plus lourd à
cause de l’augmentation des dimensions mais cet obstacle devient plus facile à franchir
grâce à l’avancée des technologies des composants (puissance de calcul embarquée, au-
tonomie, fréquence d’utilisation, technologie des antennes).
1.5.2 Modèle du canal MIMO

Dans ce mémoire, nous nous limitons à l’utilisation d’un modèle mono-utilisateur
dans un canal non sélectif en fréquence (canal bande étroite). De plus, la synchronisation
et l’échantillonnage sont parfaits, les trajets discrets multiples se traduisent par un gain
complexe en bande de base. Celui-ci est noté h̃ij pour une liaison entre l’antenne d’émission
j et l’antenne de réception i (hnr nt ). Ce modèle de canal est représenté par la figure 1.7.
Tx1 Rx1
Codage H Décodage
Données (nr × nt ) Données
à émettre Modulation Démodulation reçues

Txnt Rxnr
Figure 1.7 - Schéma d’un sysyème MIMO à bande étroite
21
MIMO
À la réception, chaque antenne reçoit la somme des symboles transmis simultanément

par chacune des antennes d’émission ayant subi un gain complexe à laquelle s’ajoute un
bruit. Le vecteur reçu Y peut s’écrire matriciellement :
y = Hs + n (1.12)
où H est la matrice de canal représentant les trajets à évanouissement, s est le signal émis
sur les nt antennes avec la contrainte de puissance E[s∗ s] = P0 (la puissance totale émise)
et n est le vecteur de bruit. La matrice de canal H [nr × nt ] est définie par :
⎛ h̃11 . . . h̃1nt ⎞
H=⎜ ⋮ ⋱ ⋮ ⎟ (1.13)
⎝ h̃n 1 . . . h̃n n ⎠
r r t
Pour modéliser la matrice H, nous considérerons le modèle de Rayleigh définissant les

éléments de H comme des variables aléatoires iid de loi normale de valeur moyenne nulle
et de variance unitaire notée N (0, 1). Un autre modèle sera aussi considéré et basé sur la
technique de tracé de rayons 3D [37]. Ce modèle permet d’obtenir un canal réaliste dans
un environnent d’étude [38].
1.5.3 Récepteur considéré

Après avoir envoyé le signal sur chaque antenne d’émission à travers le canal H, chaque
antenne de réception récupère la contribution de tous les signaux émis par les nt émetteurs.
Le récepteur doit trouver une méthode permettant de reconnaitre les symboles transmis
à l’aide de la somme des signaux. Il existe un grand nombre de récepteurs différents
pour estimer les symboles émis pour les systèmes MIMO comme le Forçage à zéro (ZF),
l’Erreur Quadratique Moyenne Minimale (EQMM), le Maximum de Vraisemblance (MV)
et l’annulation successives d’interférences ordonnées (V-BLAST) [32], [39], [40]. Nous ne
présentons que le récepteur utilisé dans ce mémoire, celui-ci est basé sur le maximum de
vraisemblance.
Récepteur du maximum de vraisemblance (MV)
Le récepteur du maximum de vraisemblance permet les meilleures performances en

terme de taux d’erreur binaire. En effet, il est optimal si les vecteurs émis s sont équi-
probables, ce qui est le cas puisque les symboles si sont équiprobables et que les nt voies
émises en parallèles sont indépendantes. L’estimation des symboles est définie classique-
ment pour un bruit gaussien par :
ŝ = arg min ∥y − Hs∥2 (1.14)

s
La mise en place de cette solution demande un test de chaque vecteur s possible. Elle est
par conséquent très gourmande en calculs dont l’augmentation est exponentielle avec le
22
MIMO
nombre d’antennes à l’émission (M nt vecteurs possibles). Pour pallier le coût calculatoire

trop important, l’algorithme de décodage par sphère permet d’obtenir des performances
semblables en diminuant la charge de calculs [41]. Plusieurs travaux sont effectués pour
améliorer encore cet algorithme [42], [43].
1.6 Les réseaux de capteurs

1.6.1 Présentation générale
De nombreuses avancées techniques et technologiques dans les domaines de la mi-
croélectronique, de la micro mécanique, et des technologies de communication sans fil per-
mettent de créer de petits objets communicants équipés de capteurs à un coût raisonnable.
Un capteur est un appareil qui permet de traduire une grandeur physique en une grandeur
électrique qui, après numérisation, pourra être mémorisée, traitée, transmise pour être ex-
ploitée avec d’autres informations. Ces nouveaux objets appelées nœuds ou capteurs sont
typiquement équipées d’une unité de mesure (le ou les capteurs), d’une unité de calcul
(processeurs), de mémoires, d’un circuit radio pour communiquer avec d’autres appareils
via des liens radios et d’une batterie [44]. La figure (figure 1.8) montre les différentes
parties d’un capteur sans fil.
Émetteur-récepteur
Processeur Co-processeur
Batterie
Mémoire
Capteur
Figure 1.8 - Capteur sans fil
Le circuit radio est généralement composée de convertisseurs numérique-analogique ou

analogique-numérique, filtres, amplificateurs RF, antennes. Le capteur sans fil a besoin
d’être à faible coût et faible consommation d’énergie, conduisant à une capacité de calcul
limitée.
Avec l’évolution des technologies, chaque partie du capteur devient de plus en plus
efficace. Les batteries et les processeurs sont maintenant conçus pour être plus compact et
23
MIMO
plus puissant. Un co-processeur peut être ajouté pour les tâches de traitement du signal,
ou des opérations de coopération qui sont développées dans cette thèse.
Ainsi, des réseaux de capteurs peuvent s’auto-configurer, se découvrir de manière au-
tonome et relayer à bon port l’information mesurée [45]. En conséquence, un grand nombre
d’applications ont pu se développer en tirant profit de ce nouvel environnement de cap-
teurs. Un réseau de capteurs se compose de deux types de nœuds [46], [47] :
– des simples capteurs présentés précédemment.

– des collecteurs de données ou DGN (Data Gathering Node).
Nœud actif
Nœud mort
DGN
Figure 1.9 - Exemple de réseau de capteurs
Dans un réseau de capteurs, le DGN détient un rôle très important [47]. Cette en-
tité possède généralement des capacités supérieures en termes de taille, de puissance de
traitement, de capacité de mémoire et d’autonomie d’énergie. Elle permet de collecter
l’information en provenance des capteurs et apporte un soutien très fort au fonction-
nement du réseau. Elle peut localement assurer des fonctions centrales dans le routage,
l’agrégation des données, la configuration des nœuds ou encore les opérations nécessaires
pour le mode coopératif considéré dans cette thèse. La figure 1.9 illustre un exemple de
réseau de capteurs où nous pouvons voir :
– des nœuds hors service car leurs batteries sont usées (couleur noire).
– des nœuds actifs (couleur bleu) en étant soit source de l’information ou servant de
relais pour atteindre le DGN.
– les DGN.
1.6.2 Contraintes
Les réseaux de capteurs diffèrent des réseaux classiques où l’on peut être relativement
générique et définir seulement un certain nombre de classes de service pour satisfaire le
24
MIMO
maximum de besoins. Ici, les contraintes sont plus nombreuses. Sans être exhaustif, des
contraintes possibles sont par exemple liées à la consommation d’énergie, l’application,
la qualité de service, la protection de l’information, l’environnement [47]. Cependant, la
contrainte énergétique est considérée comme la contrainte la plus forte dans un réseau de
capteurs.
Comme pour tout réseau sans fil, il est important de tenir compte de cette contrainte
car la plupart des appareils fonctionnent sur batterie. Après la décharge de la batterie,
l’utilisateur est obligé de trouver une source électrique pour la recharger. Généralement,
lorsqu’on installe un réseau de capteurs, on pense en mettre beaucoup et souvent dans
des endroits isolés. Par conséquent, il est pratiquement impossible de recharger, de part
le nombre élevé de capteurs et de part la difficulté de l’environnement dans lesquels ils
peuvent se trouver. Il est donc important de comprendre que la durée de vie d’un capteur
est relative à l’autonomie de son support d’énergie. Ainsi, toute opération imaginée ou
envisagée doit être évaluée en terme de consommation d’énergie. L’objectif à atteindre
devient l’augmentation de la durée de vie du réseau de capteurs. Ce paramètre peut être
défini sous différentes formes telles que la consommation globale de tous les capteurs ou
l’évitement qu’un capteur important perde son énergie ou la perte de la connectivité du
réseau, etc. En résumé, à la conception et aussi pendant l’évolution du réseau, la réduction
de la consommation d’énergie est à traiter avec soin.
1.6.3 Le MIMO et les réseaux de capteurs

Les systèmes MIMO présentent plusieurs avantages présentés précédemment. Ces
avantages peuvent être utilisés pour réduire l’énergie de transmission dans les réseaux
de capteurs pour la même fiabilité de la transmission et pour le même débit. Toutefois,
la taille limitée de capteur ne permet pas d’appliquer directement la technique multi-
antennaire aux réseaux de capteurs. Cependant, la solution est de considérer le principe
de coopération des capteurs ou MIMO coopératif pour réaliser une transmission MIMO
[48], [49], [50]. Les figures 1.10 et 1.11 présentent deux scénarios de MIMO coopératifs :
sur la figure 1.10, les nœuds coopèrent à l’émission et à la réception alors que sur la figure
1.11, les nœuds ne coopèrent qu’à l’émission.
Transmission MIMO
Capteurs coopérants Capteurs coopérants

MIMO coopératif MIMO coopératif
Figure 1.10 - MIMO coopératif dans les réseaux de capteurs : scénario 1
25
MIMO
Transmission MIMO
DGN
Capteurs coopérants MIMO classique

MIMO coopératif
Figure 1.11 - MIMO coopératif dans les réseaux de capteurs : scénario 2
Le scénario présenté sur la figure 1.11 sera considéré dans notre étude (cf. chapitre 4) où
le DGN agit comme un système multi-antennaire classique. Dans ce scénario, chaque nœud
possède des données à transmettre au DGN. Les capteurs sont soumis à des contraintes
strictes de consommation d’énergie alors que le DGN possède une alimentation.
Ces MIMO coopératifs ont été récemment étudiés et ont montré leur efficacité en
terme de consommation d’énergie [46], [51], [52], [53], [54], [55]. Cependant, ces systèmes
coopératifs étaient à présent utilisés en considérant un système MIMO à boucle ouverte
alors que le système coopératif proposé dans cette thèse est basé sur un système MIMO
à boucle fermée (cf. chapitres 2 et 4).
1.7 Conclusion
Dans ce chapitre, nous avons présenté quelques généralités sur les transmissions nu-
mériques. Pour cela, nous sommes partis de la chaı̂ne de transmission numérique classique
qui résume les différents traitements que subit l’information à transmettre. Ensuite nous
avons présenté le canal mono-antennaire SISO. Les différentes perturbations subies par
le signal lors de la transmission ont été détaillées afin d’appréhender les éléments per-
turbant la propagation hertzienne. Nous avons vu les modèles de Rayleigh ou de Rice
permettant de considérer un canal à évanouissements pour des systèmes SISO. Ce modèle
est encore valable pour les systèmes multi-antennaires MIMO : chaque trajet subit un
gain complexe aléatoire, puis chaque antenne de réception récupère un mélange de tous
ces signaux avec un bruit BAG. Le système MIMO échantillonné en bande de base possède
une écriture matricielle avec la matrice aléatoire de canal suivant un modèle précis. Enfin,
une présentation générale des réseaux de capteurs a été introduite. Dans ces réseaux, la
réduction de la consommation d’énergie est une contrainte très forte. Certains travaux
ont commencé à adapter les techniques MIMO aux réseaux de capteurs afin de réduire la
consommation d’énergie. Ces techniques étaient basées sur un système MIMO à boucle
ouverte où l’émetteur n’a pas besoin de connaı̂tre l’état de canal.
Le prochain chapitre introduira les techniques MIMO exploitant la diversité spatiale
26
MIMO
dans les systèmes MIMO à boucle ouverte (les codes spatio-temporels) et à boucle fermée
(précodeurs). Nous pouvons supposer que le récepteur estime le canal et que cette infor-
mation peut ensuite remonter à l’émetteur. Cette connaissance à l’émission ou Channel
State Information (CSI) permet aux précodeurs d’optimiser les signaux émis.
27
Chapitre 2
Les techniques MIMO
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2 Les systèmes MIMO à boucle ouverte . . . . . . . . . . . . . . . 30
2.2.1 Le code d’Alamouti . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.2 Généralisation des codes . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Les systèmes MIMO à boucle fermée . . . . . . . . . . . . . . . 34
2.3.1 Les précodeurs linéaires . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2 Le précodage OSM . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4 Performances des précodeurs considérés dans la thèse . . . . 45
2.4.1 Canal de Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.2 Canal réaliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
29
CHAPITRE 2. LES TECHNIQUES MIMO
2.1 Introduction
Dans ce chapitre, nous allons présenter des techniques MIMO permettant d’exploiter
les avantages du canal multi-antennaire. Certaines de ces techniques sont utilisées dans
cette thèse pour la transmission dans les réseaux de capteurs. Elles exploitent la diversité
spatiale à l’émission et en réception. Elles peuvent être séparées suivant que le système
MIMO connaı̂t l’état du canal ou la CSI (Channel State Information) à l’émission (Tx-
CSI) et à la réception (Rx-CSI), ou uniquement à la réception. Ces deux systèmes sont re-
spectivement appelés système MIMO à boucle ouverte et système MIMO à boucle fermée.
En pratique, la CSI est estimée par le récepteur à chaque paquet transmis grâce à une
séquence d’apprentissage [56], [57], [58] afin de démoduler les symboles reçus. Dans un con-
texte de communication purement aveugle, des algorithmes à égalisation aveugle peuvent
être utilisées [59], [60], [61].
La CSI à l’émetteur nécessite donc la mise en place d’un canal de retour d’informa-
tion (Feedback channel) du récepteur vers l’émetteur en renvoyant toute l’estimation du
canal ou seulement certains paramètres clés. Dans le cas d’un canal symétrique et in-
variant sur plusieurs durées symboles, l’émetteur et le récepteur peuvent fonctionner en
duplex temporel sur la même bande de fréquence. L’émetteur peut estimer le canal grâce
aux émissions du récepteur. Le type de canal généralement utilisé pour évaluer les per-
formances est le canal de Rayleigh non sélectif en fréquence et supposé constant durant
plusieurs blocs de données. Cette hypothèse est courante, en particulier dans le contexte
des réseaux fixes sans fils [62].
2.2 Les systèmes MIMO à boucle ouverte

Ces systèmes nécessitent seulement la connaissance du canal à la réception (Rx-CSI)
et l’émetteur ne connaı̂t pas le canal. Nous allons voir différentes solutions utilisant le
principe des codes spatio-temporels en blocs orthogonaux ou Orthogonal Space-Time
Block Code (OSTBC) [63]. Ce codage ajoute de la redondance aux données binaires
émises afin d’augmenter la diversité spatiale et d’éviter les évanouissements propres au
canal radio mobile. En revanche, l’indépendance des signaux diminue proportionnelle-
ment, il est même possible de coder ceux-ci de telle sorte que le débit soit le même que
pour une transmission SISO. Dans ce cas, les antennes multiples ne sont plus utilisées pour
augmenter le débit, mais simplement pour créer la diversité spatiale nécessaire à l’achem-
inement d’information sur un canal particulièrement difficile. Nous ne nous intéressons ici
qu’aux techniques sans codage de canal. Le code STBC le plus connu est celui d’Alamouti
pour deux antennes à l’émission.
2.2.1 Le code d’Alamouti

S.M. Alamouti a proposé un schéma simple de diversité d’émission [64] initialement
pour du MIMO à deux antennes d’émission et étendu par la suite par Tarokh et al. [65],
[66] pour former les codes spatio-temporels en blocs. Ces codes sont définis comme une
30
opération de modulation d’un bloc de symboles à la fois dans l’espace et dans le temps,
créant ainsi des séquences orthogonales transmises par des antennes émettrices différentes.
Le code d’Alamouti est basé sur une succession d’émissions sur deux périodes sym-
boles et sur deux antennes. Les signaux émis sont des symboles complexes issus de la
modulation. Le code est défini par :
s1 −s∗2
C2 = ( ) (2.1)
s2 s∗1
où s1 et s2 sont les symboles à transmettre. Les lignes de la matrice C2 représentent
les antennes émettrices alors que les colonnes sont les poids attribués à chaque période
symbole. Ce code a la particularité d’être orthogonal :
C2 C∗2 = C∗2 C2 = (∣s1 ∣2 + ∣s2 ∣2 )I2 (2.2)
où I2 est la matrice d’identité de taille 2 × 2. Afin de respecter la contrainte de puis-
sance totale moyenne émise P0 sur toutes les antennes √ pendant un temps symbole, il est
nécessaire de multiplier le code par la constante ( P0 /2). La relation d’entrée-sortie est
matriciellement définie par : √
P0
Y= HC2 + n (2.3)
2
où Y[nr ×2] est la matrice des signaux reçus et n[nr ×2] est la matrice de bruit où chaque
élément est généralement modélisé par un BBAG indépendant et identiquement distribué
[67] de loi N (0, σn2 ). Les deux signaux reçus pendant deux périodes symboles sont [64] :
√
y1 = P20 (h̃1,j s1 + h̃2,j s2 ) + nj1
j
√ (2.4)
y2 = P20 (−h̃1,j s∗2 + h̃2,j s∗1 ) + nj2
j
où j = 1, ..., nr , y1j et y2j sont respectivement les signaux utiles de l’antenne de réception
j pendant la première et la deuxième période symbole, h̃i,j représente le gain complexe
entre l’antenne d’émission i et l’antenne de réception j, nj1 et nj2 sont les bruits additifs de
l’antenne de réception j pendant la première et la deuxième période symbole. Le récepteur
estime les éléments de la matrice de canal et recombine les signaux reçus. Il forme alors
deux signaux particuliers définis par :
⎧
⎪ yˆ = ∑nj=1
r
h̃∗1,j y1j + h̃2,j (y2j )∗
⎪
⎪ 1
⎨ (2.5)
⎪
⎪
⎪ j ∗ ∗
⎩ yˆ2 = ∑j=1 −h̃1,j (y2 ) + h̃2,j y1
nr j
Les expressions de 2.5 peuvent être développées et donnent le résultat suivant :

⎧ √
⎪
⎪ = ( nr 2) ∗ j j ∗
2 ∑j=1 ∣∣h̃1,j ∣∣ + ∣∣h̃2,j ∣∣ s1 + ∑j=1 h̃1,j n1 + h̃2,j (n2 )
P0 2 nr
⎪
⎪ yˆ1
⎪
⎨ √ (2.6)
⎪
⎪
⎪
⎪ yˆ2 = P0 (∑nj=1
⎪ r
∣∣h̃1,j ∣∣2 + ∣∣h̃2,j ∣∣2) s2 + ∑nj=1
r
h̃∗2,j nj1 − h̃1,j (nj2 )∗
⎩ 2
31
où (∑nj=1
r
∣∣h̃1,j ∣∣2 + ∣∣h̃2,j ∣∣2 = ∣∣H∣∣2F ) représente la norme de Frobenius de la matrice H définie
par :
nt nr
∣∣H∣∣2F = trace(HH∗ ) = trace(H∗ H) = ∑ ∑ ∣h̃i,j ∣2 (2.7)
i=1 j=1
Les deux signaux recombinés prennent une forme très simple [68] :
⎧ √
⎪
⎪ = 2 ∣∣H∣∣F s1 + n
P0 2
⎪
⎪ yˆ1 ˆ1
⎪
⎨ √ (2.8)
⎪
⎪
⎪
⎪
⎩ yˆ2 = 2 ∣∣H∣∣F s2 + n
P0
⎪ 2
ˆ2
où nˆ1 et nˆ2 sont des combinaisons du bruit. Chaque signal ŷi ne dépend que d’un symbole
si et peut ainsi servir à son estimation. Le code d’Alamouti découple les symboles et
permet de diminuer les tests de décision dans le récepteur MV (2 × M tests). Le système
peut être vu de façon équivalente comme deux systèmes SISO
√ en parallèle. De plus, sans
connaı̂tre le canal a priori, le code assure un même gain P20 ∣∣H∣∣2F . Cette particularité
permet au code d’être robuste vis à vis du canal et d’assurer également un ordre de
diversité maximal égal au produit des antennes à l’émission et à la réception (nt × nr)
[65], ici (2 × nr ) pour un canal de Rayleigh.
En considérant la recombinaison linéaire des échantillons reçus, le code d’Alamouti per-
met d’utiliser l’orthogonalité pour diagonaliser le canal. Les deux symboles sont découplés
et voient le même canal, c’est-à-dire, le même gain et un bruit de même statistique. Cepen-
dant, l’utilisation du code induit deux inconvénients majeurs. Le premier est la perte de
débit. En effet, un code d’Alamouti a le même débit qu’un système SISO mais deux fois
moins qu’un multiplexage spatial [30]. Nous définissons le rendement d’un code MIMO R
comme le nombre de symboles émis NS sur le nombre de périodes symboles NP nécessaires
pour la transmission :
NS
R= (2.9)
NP
Nous avons R = 1 pour le code d’Alamouti et R = nt pour le multiplexage√ spatial. De
P0
plus, si on veut contrôler la puissance d’émission, le coefficient 2 est nécessaire. Par
conséquent, il apparaı̂t un coefficient pénalisant de 1/2 ou -3 dB sur la puissance reçue du
schéma équivalent par rapport à un système SISO [64].
2.2.2 Généralisation des codes

Le code d’Alamouti n’est adapté qu’aux systèmes possédant deux antennes à l’émission.
Tarokh et al. [65], [66] ont généralisé les OSTBC quel que soit nt . Le principe est de
considérer un train de NS symboles à transmettre que le code transmettra par salves
successives sur NP périodes symboles et les vecteurs émis doivent être orthogonaux. Le
code généré est une matrice dont les deux dimensions sont l’espace et le temps [nt × NP ].
Ensuite, le récepteur recombine les échantillons reçus après estimation du canal et obtient
32
des signaux ne dépendant que d’un seul symbole émis. Ainsi, les estimations des symboles
sont découplées. La figure 2.1 représente le synopsis des OSTBC.
Tx1 Rx1 s˜1

s1
H
C nt (nr × nt ) Décision
Recombinaison
STBC
sN Rxnr sÑ
Txnt
Figure 2.1 - Transmission MIMO utilisant des OSTBC
Le principe proposé est simple et est très facile à mettre en place : le compromis en-
tre les performances (TEB et débit) et la complexité (CSI à la réception seulement) est
intéressant. Il s’agit, dans le meilleur des cas, d’obtenir un code avec un rendement le plus
grand possible. Les solutions sont limitées et sont les suivantes :
– le code d’Alamouti qui est la seule à obtenir R = 1,
– OSTBC pour des modulations complexes et pour n’importe quelle valeur de nt mais
avec R = 1/2 [66],
– codes pour nt = 3, 4 mais avec R = 3/4 :

s∗ s∗
⎛ s1 −s∗2 √3
2
√3
2
⎞
⎜ s∗ s∗3 ⎟
C 3 = ⎜ s2
⎜ s∗1 √3
2
− 2 √ ⎟
⎟
(2.10)
−s1 −s∗1 +s2 −s∗2 s1 −s∗1 +s2 +s∗2
⎝ √s3 s3
√
2 2
⎠
2 2
s∗ s∗
⎛ s1 −s∗2 √3
2
√3
2
⎞
⎜ s∗ s∗3 ⎟
⎜ s2 s∗1 √3 − 2 √ ⎟
C4 = ⎜
⎜ √s3
2
−s1 −s∗1 +s2 −s∗2 s1 −s∗1 +s2 +s∗2
⎟
⎟ (2.11)
⎜ 2 √s32 ⎟
⎜ 2 2 ⎟
s1 −s∗1 −s2 −s∗2 −s1 −s∗1 −s2 +s∗2
⎝ √s3 − √s3 2 2
⎠
2 2
L’orthogonalité de ces codes associée à une recombinaison adéquate permet d’obtenir

des signaux s˜i ne dépendant que du symbole si . Un système utilisant des OSTBC est
équivalent à NS transmissions SISO indépendantes. La force du code est d’obtenir un
gain constant proportionnel à ∣∣H∣∣2F sans connaissance a priori et d’assurer un ordre de
diversité maximal (nt × nr ). Le prix à payer est une baisse du débit avec un rendement
R ≤ 1 correspondant à une efficacité spectrale de R log2 (M).
Il existe d’autres types de codes STBC comme les codes spatio-temporels en Treillis
ou Space-Time Trellis Code (STTC) [65] et les codes quasi-orthogonaux (QSTBC) [69].
33
Ces codes ne sont pas étudiés dans cette thèse.

Les codes OSTBC sont classiquement utilisés dans le contexte de MIMO coopératif
dans les réseaux de capteurs [46], [51], [52], [53], [54], [55]. Ces codes seront encore con-
sidérés dans nos travaux et serviront de référence dans les chapitres 4 et 5.
2.3 Les systèmes MIMO à boucle fermée

Ces systèmes nécessitent la connaissance du canal à la réception (Rx-CSI) et à l’émi-
ssion (Tx-CSI). Les systèmes MIMO, d’après leur construction, offrent de nombreux avan-
tages. Pour accroı̂tre encore les performances en termes de robustesse, débit, qualité de
service, le précodage avant l’émission peut être appliqué. On parle alors des précodeurs
de système MIMO. Le précodeur exploite au mieux la CSI pour optimiser conjointement
l’émetteur et le récepteur d’un système de transmission.
2.3.1 Les précodeurs linéaires

Dans la littérature, la majorité des précodeurs est linéaire. À l’émission, un précodeur
linéaire sous forme de matrice permet de combiner les symboles à émettre et de répartir
la puissance sur les antennes selon une stratégie précise. À la réception, un décodeur
linéaire traite les échantillons reçus. L’optimisation générale des précodeurs, suivant cer-
tains critères tels que la maximisation de la capacité, la maximisation du RSB post-
traitement, la maximisation de la distance euclidienne minimale aboutit à la diagonalisa-
tion de la matrice du canal H [70]. Une technique classique pour simplifier les systèmes
multi-variables est de diagonaliser le système.
Principe
Le système MIMO général précodé peut s’écrire :
y = GHFs + Gn (2.12)
où s[b × 1] est le vecteur de symboles émis, F[nt × b] est la matrice de précodage et
G[b × nr ] est la matrice de décodage, b est le nombre de symboles émis simultanément,
b ≤ min(nt , nr ). Si P0 est la puissance totale disponible, nous devons respecter la contrainte
de puissance suivante à l’émission :
trace(FF∗ ) = P0 (2.13)
La première étape commune à tous les précodeurs consiste à représenter le canal MIMO
sous la forme d’un canal virtuel constitué de b sous canaux SISO décorrélés et parallèles.
Cette étape est appelée la transformation en canal virtuel.
34
Transformation en canal virtuel
La transformation en canal virtuel est effectuée en trois étapes principales :

1. Traitement du bruit afin de le rendre indépendant et identiquement distribué de
variance unitaire (blanchiment du bruit).
2. Diagonalisation de la matrice du canal H.
3. Réduction de dimension à b×b, qui correspond au nombre de sous canaux indépendants
et parallèles.
Ces trois étapes sont réalisées par des opérations matricielles. L’opération de décom-
position en valeur singulière (Singular Value Decomposition ou la SVD) est couramment
utilisée pour diagonaliser la matrice du canal H en une matrice diagonale Hv du canal
virtuel MIMO. Pour plus d’information sur les opérations appliquées pour la transfor-
mation en canal virtuel, le lecteur peut se référer à [71]. Les matrices de précodage et
décodage sont décomposées sous la forme :
F = Fv Fd et G = Gd Gv (2.14)
Le couple (Fv , Gv ), issu directement de la SVD de H, permet d’obtenir un canal

virtuel diagonal alors que le couple (Fd , Gd ) optimise le critère voulu mais en considérant
un canal diagonal de dimension contrôlée correspondant à b sous canaux avec un bruit
blanc. Cette approche est illustrée sur la figure 2.2.
Tx-CSI G Rx-CSI
F n
s y
Fd Fv H Gv Gd
b flux
de données
Optimisation Hv = Gv HFv Canal virtuel
Figure 2.2 - Schéma bloc des précodeurs linéaires dans le canal virtuel
Après la transformation en canal virtuel, le système MIMO s’écrit sous la forme suiv-
ante :
y = Gd Hv Fd s + Gd nv (2.15)
où Hv = Gv HFv est la matrice diagonale du canal, les matrices Gv et Fv sont des
matrices unitaires qui permettent la transformation en canal virtuel, Fd est la matrice de
précodage de taille b × b, Gd est la matrice de décodage de taille b × b et nv = Gv n est un
bruit blanc avec une matrice de corrélation Rnv = Ib .
35
Le canal virtuel Hv
Hv est la matrice b × b du canal virtuel, c’est une matrice diagonale dont les éléments
sont positifs et rangés par ordre décroissant :
Hv = diag(σ1 , ..., σb ) (2.16)
où les σi représentent les gains de chaque sous canal.

Par la suite, pour garder la puissance constante du côté des émetteurs, la matrice de
précodage Fd est sujette à la contrainte :
trace(Fd F∗d ) = P0 (2.17)
Le précodage linéaire est réalisé à l’aide des matrices de précodage et de décodage Fd

et Gd . Selon que ces matrices soient diagonales ou non diagonales on peut distinguer deux
familles de précodeurs, appelés respectivement les précodeurs diagonaux et les précodeurs
non-diagonaux. Dans cette thèse, nous considérons un décodage basé sur le critère de MV
Ainsi, tel qu’il a été montré dans [71], la matrice de décodage Gd n’aura aucune influence
sur les résultats et peut etre égale à Ib .
2.3.1.1 Les précodeurs diagonaux

Les précodeurs diagonaux donnent une solution de Fd diagonale :
Fd = diag(f1 , ......, fb ) (2.18)
La conséquence de cette matrice diagonale est de conserver une structure de voies par-
allèles et indépendantes. Le schéma bloc de la figure 2.3 représente le précodage diagonal.
À partir de ce schéma, on peut constater que les précodeurs diagonaux ont l’avantage de
réduire la complexité de décodage par MV de M b à b × M. Le problème revient à trou-
ver la répartition de la puissance grâce aux coefficients fi2 en optimisant un critère précis
et pertinent. On peut distinguer plusieurs précodeurs diagonaux selon le critère optimisé :
– Précodeur max-SNR ou Beamforming : le but de ce précodeur est de maximiser le

RSB à la réception [72].
– Précodeur Water-Filing (WF) : le critère optimisé par ce précodeur est la maximi-

sation de la capacité du système MIMO [70].
– Précodeur Erreur Quadratique Moyenne (EQMM) : ce précodeur minimise l’erreur

quadratique moyenne [73].
– Précodeur Qualité de Service (QdS) : le précodeur QdS n’optimise aucun critère de

qualité, mais offre une grande flexibilité dans la répartition de la puissance sur les
36
Fd Hv nv
f1 σ1 nv1
s1 y1 ŝ1
MV
fb σb nvb
sb yb ŝb
MV
Répartition Gain du Bruit

de la canal
puissance
Figure 2.3 - Schéma bloc des précodeurs diagonaux
différentes voies. Le principe de ce précodeur est d’assurer (ou de fixer) les rapports
des RSB reçus entre chaque voie [70].
– Précodeur Erreur Egale (EE) : c’est un cas particulier du précédent QdS. Il assure
le même RSB sur chaque voie à la réception et le taux d’erreur moyen de chaque
voie est identique [73].
– Précodeur Taux d’Erreur Binaire Minimal (TEBM) : ce précodeur minimise le critère

du TEB [74].
Pour plus de détails sur ces précodeurs, le lecteur peut se référer à [32].
2.3.1.2 Les précodeurs non-diagonaux
Ces précodeurs se différencient des précédents par leur structure qui n’est plus diago-
nale Fd ≠ diag(f1 , ......, fb ). La figure 2.4 illustre la structure du précodage non diagonal.
Le précodage non-diagonal ne réduit pas la complexité du décodage de MV, qui reste
égale à M b . La non diagonalité donne un degré de liberté de plus au précodeur qui peut
désormais modifier les géométries des constellations de réception. Dans cette section,
nous allons présenter certains précodeurs récents non-diagonaux : le précodeur max-dmin,
le précodeur E-dmin et les précodeurs X et Y. Le précodeur max-dmin est utilisé dans nos
travaux.
37
Hv nv
σ1 nv1
s1 y1 ŝ1
Fd MV
σb nvb
sb yb ŝb
Solution Gain du Bruit

non-diagonale canal
Figure 2.4 - Schéma bloc des précodeurs non-diagonaux
2.3.1.2.a Le précodeur max-dmin

La distance euclidienne minimale a un rôle déterminant lorsque le récepteur est basé
sur le MV [75] agissant directement sur la probabilité d’erreur : plus deux impacts de
la constellation de réception sont proches, plus la probabilité de se tromper entre eux
est grande. Le principe de ce précodeur est de maximiser la distance minimale de la
constellation de réception [71], [76]. Cette valeur notée dmin est définie par :
dmin(Fd ) = min ∥Hv Fd (sk − sl )∥ (2.19)
(sk ,sl )∈C b ,sk ≠sl
où C représente l’ensemble des symboles complexes de la constellation.

La solution max-dmin consiste à trouver les coefficients de la matrice Fd qui maximisent
la distance minimale de la constellation de réception :
Fd = arg max {dmin (Fd )} avec trace(Fd F∗d ) = P0 . (2.20)
Fd
La résolution de ce problème est particulièrement difficile, car l’expression de la dis-

tance prend en compte plusieurs paramètres : le canal de transmission Hv , la modula-
tion numérique et le nombre de voies b. Les solutions trouvées sont données pour b = 2
voies et pour les modulations BPSK, MAQ-4 et MAQ-16 [71], [77]. Une extension de
max-dmin pour un nombre pair de voies (b ≥ 4) a aussi été proposée dans [78]. Ces so-
lutions sont indépendantes du rapport signal sur bruit (RSB) et dépendent simplement
d’un paramètre unique γ défini dans la suite. La solution proposée dans [71] est obtenue
grâce à un changement de variable des deux valeurs propres du canal notées σ1 et σ2 .
Il s’agit d’un changement de coordonnées cartésiennes en coordonnées polaires. Les deux
nouvelles variables sont définies par :
σ1 = ρ cos γ γ = arctan σσ21
{ ⇔{ √ (2.21)
σ2 = ρ sin γ ρ = σ12 + σ22
38
Le canal virtuel peut alors s’écrire :
σ1 0 cos γ 0
Hv = ( ) = ρ( ) (2.22)
0 σ2 0 sin γ
où ρ ∈ R+ agit comme un gain sur toute la chaı̂ne et γ (π/4 ≥ γ > 0) est un angle car-
actéristique du canal Hv et permet de savoir si les sous-canaux sont équilibrés ou non.
En effet, une valeur de γ proche de 0 indique que la voie 1 est fortement privilégiée (la
matrice est mal conditionnée), tandis qu’une valeur proche de π/4 signifie que les deux
voies sont équivalentes (la matrice est bien conditionnée). De plus, cette notation fait ap-
paraı̂tre ρ comme un facteur d’échelle de la distance minimale et n’intervient en rien dans
l’optimisation (2.20). Cette dernière ne dépend alors que du paramètre γ permettant une
simplification notable dans la détermination de la solution. Nous donnons ici la matrice
de précodage Fd pour une modulation MAQ-4, cette solution est relativement simple avec
deux formes de précodeur [71] :
√ √ √
√ ⎛ 3+√3 π
3− 3 j 12 ⎞
Si 0 ≤ γ ≤ γ0 Fd = Fd1 = P0 3 3 e (2.23)
⎝ 0 0 ⎠
√ π
π P0 cos ψ 0 1 ej 4
Si γ0 < γ ≤ Fd = Fd2 = ( )( π ) (2.24)
4 2 0 sin ψ −1 ej 12
où √
⎧
⎪ = 2−1
⎪
⎪
⎪
ψ arctan tan γ
⎨ √ √ √ √ (2.25)
⎪
⎪ = √ 2−3 ≃ 17, 28˚
⎪
⎪ γ 0 arctan 3 3−2
√ 6+2
⎩ 3 3−2 6+1
Le précodeur max-dmin prend la matrice Fd1 qui favorise une seule voie pour des valeurs
de γ inférieures à 17, 28˚. Le précodeur choisit alors de mélanger les deux symboles et
de les transmettre uniquement sur la meilleure voie. Ce cas de figure se présente lorsque
l’écart entre les deux valeurs propres est grand. Dans le cas contraire, c’est à dire pour des
valeurs de γ supérieures à 17, 28˚, le précodeur max-dmin utilise les deux voies à travers
la matrice de précodage Fd2 pour transmettre les deux symboles. La solution pour la
MAQ-16 détaillée dans [77] conduit à 4 formes différentes de précodeurs. Pour plus de
détails sur le précodeur max-dmin ainsi que la solution pour la MAQ-16, le lecteur peut
se référer aux références [71] et [77].
Remarque sur le maximum de vraisemblance

Le précodeur max-dmin optimise la distance minimale entre deux couples de symboles
à la réception. Ce critère est très important pour le récepteur basé sur le maximum
de vraisemblance. Cependant, la décision au sens du MV peut se prendre de manière
équivalente avant Gv (la matrice de décodage G = Gd Gv peut être omise). En effet,
l’optimisation de max-dmin conduit à mélanger les deux symboles et à détruire la diago-
39
nalisation du canal. Le nombre de tests du MV est M 2 au lieu de 2×M pour les précodeurs
diagonaux ou le code d’Alamouti.
Le précodeur max-dmin assure la diversité maximale (nt × nr ) [79] et il a été étudié
de manière très détaillée avec les précodeurs diagonaux dans [32]. Il a montré des perfor-
mances intéressantes avec un gain non négligeable sur les autres précodeurs. Le précodeur
max-dmin sera utilisé dans nos travaux.
2.3.1.2.b Extension du précodeur max-dmin : le précodeur E-dmin
Le précodeur max-dmin présenté précédemment optimise la distance minimale de la
constellation de réception. L’expression exacte de ce critère dépend de plusieurs paramèt-
res : nombre de voies b, modulation utilisée, canal virtuel et contrainte de puissance
P0 . Les solutions pour b = 2 flux de symboles utilisant une MAQ-4 ou une MAQ-16
sont disponibles. Le précodeur max-dmin ne permet pas de transmettre plus de deux
voies de données. Des travaux sont actuellement en cours de développement concernant
l’augmentation du nombre de voies de données dans le précodeur max-dmin [80]. C’est
pourquoi B. Vrigneau a proposé dans [78] une extension du précodeur max-dmin basée sur
la maximisation de la distance minimale, mais sous optimale. Cette solution, appelée E-
dmin , est appliquée sur un canal MIMO de b voies avec b = min(nt , nr ) ≥ 4 et b un nombre
pair. Les étapes de la solution E-dmin sont résumées ci-après :
– La première consiste à découper le canal virtuel en b/2 sous-systèmes de deux voies
donnant des sous-canaux H̄vi et des sous-précodeurs F̄di , (i = 1, ...., 2b ). Cette ap-
proche est illustrée sur la figure 2.5.
– La deuxième étape consiste à appliquer la solution de max-dmin à chaque sous-
système pour obtenir le sous-précodeur F̄di optimisant la distance minimale et trans-
mettant deux symboles. La puissance imposée est (∣∣F̄di ∣∣2F = 1).
– La dernière étape consiste à pondérer chaque sous-précodeur avec un coefficient Υi .
Chaque optimisation d’un sous-canal donne une distance minimale différente et le
rôle de la répartition de puissance est de maximiser la distance minimale tout en
respectant la contrainte de puissance. Cette seconde optimisation revient à égaliser
les distances minimales de chaque sous-système définissant la distance minimale
globale [78].
Le précodeur global Fd prend une forme particulière en croix et il peut s’écrire dans
le canal virtuel :
(1) (1)
⎛ Υ1 f1 0 Υ1 f2 ⎞
⎜ (2)
Υ2 f1
(2)
Υ2 f2 ⎟
⎜ ⎟
⎜ ... ⎟
⎜ ... ⎟
⎜ ⎟
⎜ (b) (b) ⎟
⎜ 0 Υ b f1 2 Υ b f2 2 0 ⎟
Fd = ⎜
⎜
2
(b)
2
(b)
⎟
⎟ (2.26)
⎜ Υ b f3 2 Υ b f4 2 ⎟
⎜ ⎟
⎜ ...
2 2
⎟
⎜ ... ⎟
⎜ ⎟
⎜ (2) (2) ⎟
⎜ Υ2 f3 Υ2 f4 ⎟
⎝ Υ1 f (1) 0 Υ1 f4
(1) ⎠
3
40
(i) (i)
f1 f2
où le sous-précodeur F̄di = ( (i) (i) ) est la solution de max-dmin pour la matrice
f3 f4
H̄vi = diag(σi , σb−i+1 ).
s̄ H̄v n̄v ȳ
Υ1 σ1 nv 1
sous-précodeur ⎫
s1 y1
⎪
⎪
⎪
⎪
⎪
⎪
σb ⎬
nv b sous-système
F̄d1 MV
⎪
⎪ 2×2
sb yb ⎪
⎪
max-dmin ⎪
⎪
⎭
Υi σi nv i
si yi
σb−i+1 nv b−i+1
F̄di MV
sb−i+1 yb−i+1
Υb σb nv b
2 2 2
sb yb
2 2
σ b +1 nv b +1
2 2
F̄dn MV
s b +1 y b +1
2 2
Figure 2.5 - Schéma bloc de précodeur E-dmin
Ce précodeur permet d’accroitre considérablement le débit de système MIMO. Selon [78],

il propose un bon compromis entre les performances (TEB) et la complexité de récepteur
MV ( 2b × M 2 tests).
2.3.1.2.c Codes/Précodeurs X et Y
Les auteurs dans [81] proposent deux matrices de codes pour précoder le système
MIMO dans (2.15). Ils considèrent un système MIMO avec (nr ≤ nt ) et nr = b un nombre
pair. Dans ce précodage, la matrice Fd devient une matrice réelle et prend alors deux
formes : une forme en croix (X-Codes) et une forme en Y (Y-Codes). À l’instar du
précodeur E-dmin, le canal virtuel est d’abord découpé en 2b sous-systèmes de deux voies
donnant des sous-canaux H̄vi et des sous-précodeurs F̄di , (i = 1, ..., 2b ). Les couples de σi
sont aussi les mêmes.
Chaque sous-système est ensuite codé par une matrice réelle F̄di de taille 2 × 2 selon
le code considéré X-Codes ou Y-Codes. Contrairement au E-dmin , la puissance est uni-
41
formément répartie entre les b

2 sous-systèmes et imposée par : (∣∣F̄di ∣∣2F = 2P0
b ).
X-Codes : la matrice globale Fd prend la forme :
⎛ f1(1) 0
(1)
f2 ⎞
⎜ (2) (2) ⎟
⎜ f1 f2 ⎟
⎜ ⎟
⎜ ... ... ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 ( 2b ) ( 2b ) ⎟ ⎛ f1(i) f2(i) ⎞
⎜ f1 f2 0 ⎟
Fd = ⎜ ⎟ et F̄di = (2.27)
⎜ (b) (b) ⎟ ⎝ f3(i) f4(i) ⎠
⎜ f3 2 f4 2 ⎟
⎜ ⎟
⎜ ... ... ⎟
⎜ ⎟
⎜ (2) (2) ⎟
⎜ f3 f4 ⎟
⎜ ⎟
⎝ f3(1) 0
(1)
f4 ⎠
Y-Codes : la matrice globale Fd prend la forme :
(1) (1)
⎛ f1 0 f2 ⎞
⎜ (2) (2) ⎟
⎜ f1 f2 ⎟
⎜ ... ⎟
⎜ ... ⎟
⎜ ⎟
⎜ ( 2b ) ( 2b ) ⎟
⎜ f1 f2 ⎟ ⎛ f1(i) f2(i) ⎞
Fd = ⎜
⎜
⎟
⎟ et F̄di =
⎜ 0 f3 2
(b) ⎟ ⎝ f3(i) 0 ⎠
⎜ 0 ⎟
⎜ ⎟
⎜
⎜ ... ⎟
⎟
⎜ (2) ⎟
⎜ f3 ⎟
⎝ f (1) 0 ⎠
3
(2.28)
La matrice Fd pour les X et Y-Codes est optimisée et calculée analytiquement dans
[82] pour minimiser la probabilité d’erreur moyenne. Selon [82], la matrice Fd peut être
calculée a priori pour un canal de Rayleigh et ne pas changer à chaque réalisation du
canal d’où le nom X-Codes ou Y-Codes. La matrice peut aussi être optimisée à chaque
réalisation du canal, on parle alors des précodeur-X et précodeur-Y.
Il existe d’autres précodeurs linéaires non-diagonaux comme le précodeur ARITH-

BER proposé dans [83]. Il maximise le TEB moyen de la moyenne arithmétique de TEB.
Les nouveaux précodeurs X, Y, (2010) et E-dmin (2008) ont l’avantage d’augmenter con-
sidérablement le débit de système MIMO tout en assurant une performance intéressante
en terme de TEB. Néanmoins, dans [82], le précodeur-Y semble assurer la meilleure per-
formance avec un MV moins complexe que les autres précodeurs. Pour plus de détails sur
ces précodeurs ainsi que leurs performances et complexités, le lecteur peut se référer aux
références [78], [81] et [82]. Les précodeurs X, Y, et E-dmin ne sont pas étudiés dans le
contexte de réseaux de capteurs, ils pourront faire partie de futurs travaux possibles.
42
2.3.2 Le précodage OSM

Toutes les techniques de précodage présentées précédemment sont basées sur la diag-
onalisation du canal en appliquant la SVD. Dans cette section, nous allons présenter une
autre solution de précodage pour les systèmes MIMO à boucle fermée. Contrairement au
précodage précédent, celui-ci n’est pas basé sur la diagonalisation du canal en utilisant la
SVD. Il propose une orthogonalisation des symboles reçus en optimisant un critère dans
le système. Ce nouveau précodage est appelé le précodeur P-OSM.
2.3.2.1 Le précodeur P-OSM

Dans [84], une technique appelée Orthogonalized Spatial Multiplexing (OSM) a été
proposée pour les systèmes MIMO à boucle fermée. Elle associe un codage des symboles
à une orthogonalisation par rotation (codage-orthogonalisation). De plus, une technique
de précodage a également été proposé dans [85] pour le système OSM, on parle alors du
précodeur P-OSM. À l’instar du max-dmin, le critère optimisé est la distance euclidienne
minimale de la constellation.
Le système OSM transmet b = 2 voies d’information indépendantes sur nt = 2 antennes
de transmission et si nt > 2, une méthode de sélection d’antennes doit être associée. Le
principe de l’OSM consiste à précoder les deux symboles émis x1 et x2 comme :
1 0
F(x, θ) = [ ] s(x) (2.29)
0 ejθ
où θ est l’angle de rotation de phase appliqué à la seconde antenne et s(x) :
R[x1 ] + jR[x2 ]
s(x) = [ ] (2.30)
I[x1 ] + jI[x2 ]
où R[.] et I[.] représentent respectivement la partie réelle et imaginaire. En considérant

F(x, θ), l’équation matricielle du modèle MIMO peut être écrite comme [84] :
y = HF(x, θ) + n = Hθ s(x) + n (2.31)
où Hθ = H × diag{1, exp(jθ)} représente la matrice du canal pour s(x). Le système OSM
est étudié dans une représentation réelle, le modèle dans (2.31) devient [84] :
yr =Hθr sr (x) + nr
R[y] R[Hθ ] −I[Hθ ] R[s(x)] R[n]
=[ ]=[ ][ ]+[ ] (2.32)
I[y] I[Hθ ] R[Hθ ] I[s(x)] I[n]
= [ hθ1 hθ2 hθ3 hθ4 ] sr (x) + nr
où le vecteur réel hθi de longueur 2nr représente la ième colonne de la matrice réelle Hθr .
À partir de la représentation réelle de la matrice du canal (2.32), les colonnes hθ1 et hθ2
sont respectivement orthogonales à hθ3 et à hθ4 quel que soit l’angle θ. Nous avons aussi :
43
hθ1 .hθ4 = −hθ2 .hθ3 quel que soit θ [84] où a.b est le produit scalaire entre a et b. Dans ce cas,
Hθr devient totalement orthogonale si hθ1 ⊥ hθ4 et hθ2 ⊥ hθ3 . L’angle de rotation θ nécessaire
pour garantir l’orthogonalité entre hθ1 et hθ4 ou hθ2 et hθ3 est calculé à partir de la matrice
original du canal H comme [84] :
B π
θ = tan−1 ( ) ± (2.33)
A 2
où : ⎧
⎪
⎪ A = ∑nm=1
r
∣h̃m1 ∣∣h̃m2 ∣ sin(∠h̃m2 − ∠h̃m1 )
⎪
⎨ (2.34)
⎪
⎪
⎪
⎩ B = ∑m=1 ∣h̃m1 ∣∣h̃m2 ∣ cos(∠h̃m2 − ∠h̃m1 )
nr
où ∠ est l’argument. À ce stade, le système OSM n’optimise aucun critère et permet
d’orthogonaliser les symboles reçus. Ainsi, le précodeur P-OSM, qui maximise dmin, est
aussi donné dans une représentation réelle par [85] :
P̄ 0
yr = Hθr Psr (x) + nr = Hθr [ ] s (x) + nr (2.35)
0 P̄ r
où P̄ est une matrice de précodage réelle de taille 2 × 2. La contrainte de puissance est :
trace(Psr (x)sr (x)∗ P∗ ) = P0 . (2.36)
Par choix, le précodeur n’est pas optimal au profit de la simplicité. Ainsi, la matrice
P̄ est décomposée comme [85] :
p √ 0 cos θi − sin θi
P̄ = Rθ1 [ ] Rθ2 avec Rθi = [ ] (2.37)
0 2 − p2 sin θi cos θi
Les trois paramètres θ1 , θ2 et p maximisant la distance dmin sont calculés dans [85].
L’angle θ1 est directement calculé à partir de la matrice Hθr :
√
−1 C + C 2 + 4D 2
θ1 = tan ( ) (2.38)
2D
où : ⎧
⎪ C = ∣∣hθ2 ∣∣2 − ∣∣hθ1 ∣∣2
⎪
⎪
⎨ (2.39)
⎪
⎪
⎪
⎩ D = (h 1 )
θ . θ
h 2
Les deux paramètres θ2 et p sont choisis selon la modulation considérée et un paramètre

k défini comme :
∣∣hθ1 ∣∣
k = 1θ1 (2.40)
∣∣h2 ∣∣
où :
r = Hr Rθ1 = [ h1
Hθ1 4 ]
θ θ1
hθ1
2 hθ1
3 hθ1 (2.41)
44
∣∣hθ1
1 ∣∣ et ∣∣h2 ∣∣ représentent respectivement la première et la deuxième valeur singulière
θ1
(σ1 et σ2 ) de la matrice du canal H [85], [86]. La solution pour une MAQ-4 est [85] :
√
-Si 1 ≤ k < 7 p = 6/(k + 3) ≃ 1 et θ2 = 45˚ (2.42)
√
-Si k ≥ 7 p = 2 et θ2 = 26, 5˚ (2.43)
Dans [85], il a été montré que la variation de p en fonction de k est très faible dans
l’équation (2.42). Par conséquent, la valeur du p a été remplacé par 1 sans aucune perte
de performance. Le précodeur peut également être défini pour une modulation MAQ-16
et la solution prend alors quatre formes dont le choix dépend de k. La figure 2.6 présente
le schéma bloc du précodeur P-OSM. Grâce à l’orthogonalité et la représentation réelle du
système, le P-OSM découple donc les symboles et permet de diminuer les tests de décision
dans le récepteur MV (2 × M tests) tout en maximisant dmin . La matrice H considérée
dans l’estimation des symboles reçus (figure 2.6) est alors :
1 0 P̄ 0
r = Hr P = H [
Hθ2 θ
jθ ][ ] = [ hθ2
1 hθ2
2 hθ2
3 4 ]
hθ2 (2.44)
0 e 0 P̄
2
[x1 ] Tx1 [x]
x1 Rx1 xˆ1 = argmin yr − [hθ2 θ2
1 h2 ]
[x1 ] s1 (x) [x]
x∈C
F(θ) =
Recombinaison
P 1 0
0 ejθ
[x2 ] Tx2 Rxnr
x2 2
[x2 ] s2 (x) [x]
xˆ2 = argmin yr − [hθ2 θ2
3 h4 ] [x]
x∈C
Tx-CSI
Figure 2.6 - Schéma bloc du précodeur P-OSM

Pour plus de détails sur le système OSM ainsi que le précodage associé, le lecteur peut
se référer aux références [84], [85] et [87].
2.4 Performances des précodeurs considérés dans la

thèse
Le précodage linéaire présenté précédemment représente une famille des techniques
MIMO qui exploite la CSI à l’émission afin d’optimiser les performances de système.
Les précodeurs linéaires appliquent tous la SVD pour diagonaliser le canal en optimisant
un critère pertinent. Parmi ces précodeurs, le précodeur max-dmin présente des perfor-
mances élevées en terme de TEB avec un gain non négligeable sur les autres précodeurs
et évidemment sur les codes OSTBC [32] [88].
D’autre part, le précodeur P-OSM appartient à la même famille des techniques MIMO
qui exploite la CSI à l’émission. Cependant, celui-ci n’applique pas la SVD pour diago-
45
naliser le canal et propose plutôt une autre philosophie de précodage présentée précédem-
ment. De plus, Le précodeur P-OSM transmet b = 2 voies d’information indépendantes
comme le précodeur max-dmin mais seulement sur nt = 2 antennes de transmission. Si
nt > 2, le précodeur P-OSM doit utiliser une méthode de sélection d’antennes.
Les précodeurs max-dmin et P-OSM sont utilisés dans nos travaux et seront étudiés dans
le contexte de MIMO coopératif dans les réseaux de capteurs. Les précodeurs max-dmin et
P-OSM optimisent le même critère mais utilisent des méthodes différentes : le max-dmin
est basé sur la SVD alors que le P-OSM est basé sur un codage-orthogonalisation en
considérant une représentation réelle de système MIMO. Cependant, les solutions obtenues
sont similaires. En effet, les deux solutions sont indépendantes du RSB et le paramètre
k, qui permet de choisir entre deux formes de précodeur, peut être exprimé en fonction
−2
de l’angle γ = arctan σσ12 où ∣∣hθ1
1 ∣∣ = σ1 et ∣∣h2 ∣∣ = σ2 [86]. Nous avons donc k = tan γ. Par
θ1
exemple, pour la MAQ-4 :

√
-Si 0 ≤ γ ≤ 20, 7˚, p = 2 et θ2 = 26, 5˚ (2.45)
√
-Si 20, 7˚ < γ ≤ 45˚, p= 6/(tan−2 γ + 3) ≃ 1 et θ2 = 45˚ (2.46)
Même si le critère optimisé est le même, seul le précodeur max-dmin est optimal en
terme de dmin. Les taux d’erreur des précodeurs max-dmin et P-OSM en fonction du RSB
seront d’abord comparés dans un canal de Rayleigh avec une CSI parfaite et ensuite dans
un canal réaliste issu du simulateur de canal présenté dans le premier chapitre. Nous
avons toujours b = 2 flux de données ce qui donne une efficacité spectrale de 4 bits/s/Hz
et 8 bits/s/Hz pour les modulations MAQ-4 et MAQ-16 respectivement. Au long de cette
thèse et pour simplifier la présentation des résultats de TEB, nous nous intéressons à
limiter la plage du TEB à 10−4 en faisant varier le RSB.
2.4.1 Canal de Rayleigh

Rappelons que lorsque nt > 2, le P-OSM doit être associé à une méthode de sélection
d’antennes. Ainsi, nous comparons d’abord les deux précodeurs pour des systèmes MIMO
avec nt = 2 antennes d’émission et ensuite pour des systèmes MIMO avec nt > 2 antennes
d’émission.
2.4.1.1 Systèmes MIMO avec nt = 2

Les figures 2.7 et 2.8 présentent les résultats de TEB des précodeurs max-dmin et P-
OSM pour un système MIMO 2 × 2 en MAQ-4 et 16. Le TEB du code d’Alamouti est
également présenté sur la figure 2.7 et sert de référence. On constate que les performances
des deux précodeurs sont très proches voire identiques. Ce résultat confirme celui obtenu
dans [85] et [87] pour le P-OSM avec un système MIMO 2 × 2. En effectuant plusieurs
simulations, nous avons montré que le P-OSM est quasi équivalent au max-dmin lorsque
nt = 2 antennes à l’émission (figures 2.9).
46
Max−dmin
P−OSM
−1 Alamouti
10
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14 16 18 20
RSB
Figure 2.7 - Comparaison des TEB des précodeurs max-dmin et P-OSM (MAQ-4) et du code
d’Alamouti (MAQ-16) pour un système MIMO 2 × 2, (4 bits/s/Hz)
Max−dmin
P−OSM
−1
10
−2
10
TEB
−3
10
−4
10
0 5 10 15 20 25
RSB
Figure 2.8 - Comparaison des TEB des précodeurs max-dmin et P-OSM pour un système MIMO
2 × 2 et une MAQ-16 (8 bits/s/Hz)
47
Max−dmin 2x3
P−OSM 2x3
−1
10 Max−dmin 2x4
P−OSM 2x4
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14
RSB
Figure 2.9 - Comparaison des TEB des précodeurs max-dmin et P-OSM pour les systèmes
MIMO 2 × 3 et 2 × 4 et une MAQ-4 (4 bits/s/Hz)
2.4.1.2 Systèmes MIMO avec nt > 2

Les auteurs dans [85] et [87] n’ont comparé le P-OSM au max-dmin que pour un système
MIMO 2 × 2. Nous comparons ici les deux précodeurs pour les systèmes MIMO 4 × 2 et
4 × 4. Nous avons appliqué la méthode de sélection d’antennes proposée avec le système
OSM dans [84]. Les figures 2.10 et 2.11 illustrent le TEB des deux précodeurs pour les
systèmes MIMO précédents. Dans ce cas et pour un TEB de 10−4 , le précodeur max-dmin
présente un gain de 2 dB sur le P-OSM pour les systèmes MIMO 4×2 et 4×4. Ces résultats
montrent que la méthode SVD est plus performante que la sélection d’antennes.
48
Max−dmin
P−OSM
−1
10
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14
RSB
Figure 2.10 - Comparaison des TEB des précodeurs max-dmin et P-OSM pour un système
MIMO 4 × 2 et une MAQ-4 (4 bits/s/Hz)
Max−dmin
P−OSM
−1
10
−2
10
TEB
−3
10
−4
10
0 1 2 3 4 5 6 7 8 9 10
RSB
MIMO 4 × 4 et une MAQ-4 (4 bits/s/Hz)
49
2.4.2 Canal réaliste

Les résultats de TEB présentés précédemment sont obtenus dans un contexte théoriq-
ue : modèle statistique du canal (Rayleigh) et une estimation parfaite du canal. Dans [38],
nous avons étudié les performances de précodeurs dans un contexte réaliste et avec un
récepteur mobile. Le but est d’évaluer le comportement du précodeur et d’appréhender
le problème d’estimation du canal dans le temps. Notre étude du canal est basée sur le
simulateur de canal présenté dans le chapitre 1.
Le campus de l’Université de Poitiers a été choisi comme un environnement d’étude
dans lequel nous considérons un système MIMO 2 × 2 qui fonctionne à F = 2, 4 GHz
(figure 2.12). Les bâtiments sont définis en 3D, l’émetteur est fixe alors que le récepteur
MIMO Tx
242 m
zone 3
zone 2 Parcours de récepteurs

MIMO
zone 1
0
Figure 2.12 - Environnement d’étude : campus de l’université de Poitiers
se déplace sur un parcours de 242 m échantillonné avec un pas de λ/2 (3000 simulations).
Cette configuration comprend des zones de visibilité directe (LOS) et de non visibilité
(NLOS) entre l’émetteur et le récepteur. Dans notre simulation, le récepteur se déplace à
deux vitesses (v = 5 et 50 km/h), ce qui rend le canal variable dans le temps. On parle
alors de l’effet Doppler dû à la mobilité (cf. paragraphe 1.3.2). Le simulateur fournit la RI
du canal à des instants précis sans que la mobilité et l’évolution temporelle du canal ne
soient prises en compte (Eq. 1.9). Pour y remédier, nous devons modifier la RI obtenue
par le simulateur pour prendre en compte l’évolution temporelle du canal. L’effet Doppler
est modélisé par son spectre qui traduit l’évolution de la puissance reçue en fonction du
50
décalage Doppler. Dans notre scène, les simulations ont montré que les trajets reçus sont
distribués assez uniformément et très largement dans le plan azimutal. Nous avons donc
considéré le spectre de Jakes pour modifier le résultat du simulateur afin d’obtenir une
RI du canal réaliste et variable dans le temps en utilisant des méthodes développées dans
[15]. Le spectre de Jakes s’écrit sous la forme suivante [15] :
⎧
⎪ 2σ2
⎪ πfD max √1−(f /fD max ) , ∣f ∣ ≤ fD max
S(f ) = ⎨ (2.47)
⎪
⎪ ∣f ∣ > fD max
⎩0,
avec fD max le décalage Doppler maximum qui est exprimé en fonction de la vitesse de
déplacement de l’émetteur et/ou du récepteur v, la célérité c et la fréquence de la porteuse
fc par l’expression suivante :
v
fD max = fc . (2.48)
c
Dans notre cas, on a fDmax = 11 et 111 Hz pour les vitesses v = 5 et 50 km/h respec-
tivement. De plus, nous considérons que les trajets arrivent au récepteur avec un retard
maximal négligeable devant le temps symbole, c’est-à-dire que le canal est à bande étroite
mais variant dans le temps. Enfin, nous regroupons les RI pour obtenir la matrice de
canal MIMO. Les figures 2.13 et 2.14 montrent l’évolution du module des coefficients de
la matrice du canal H pour v = 5 km/h et v = 50 km/h respectivement. Plus la vitesse de
déplacement est élevée et plus le canal varie rapidement. Cette évolution temporelle nous
permet de pouvoir introduire l’erreur d’estimation du canal pour évaluer le comportement
des précodeurs.
-88
-88 ∣h11 ∣ ∣h12 ∣
-90
-90
Puissance en dbm
Puissance en dbm
-92 -92
-94 -94
-96 -96
-98
-98
-100
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
Temps en Seconde Temps en Seconde
-92
∣h21 ∣ -94 ∣h22 ∣
-94
-96
Puissance en dbm
Puissance en dbm
-96 -98
-98 -100
-100 -102
-102 -104
-104 -106
-108
-106
-110
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
Figure 2.13 - Évolution des coefficients de la matrice de canal pour une vitesse égale à 5 km/h
51
-90 ∣h11 ∣ ∣h12 ∣

-90
-95
Puissance en dbm
Puissance en dbm
-100 -95
-105
-100
-110
-115 -105
-120
-125 -110
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
-90
∣h21 ∣ ∣h22 ∣
-90
-95
Puissance en dbm
Puissance en dbm
-95
-100
-100
-105 -105
-110
-110
-115
-115
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
Figure 2.14 - Évolution des coefficients de la matrice de canal pour une vitesse égale à 50 km/h
Le parcours choisi est donné à titre d’exemple et n’est pas généralisable à n’importe
quel parcours. Ce parcours simulé contient plusieurs zones d’études que nous avons dis-
criminées et étudiées dans [38] selon plusieurs critères. Par la suite, nous prenons comme
exemple la zone 2 (figure 2.12) et présentons les résultats de TEB car cette zone contient
des trajets directs et réfléchis.
2.4.2.0.a Estimation parfaite de canal
La figure 2.15 donne le TEB moyen des max-dmin et P-OSM dans la zone 2 avec une
estimation parfaite du canal. La vitesse n’apporte pas d’amélioration ou de détérioration
avec une estimation parfaite mais modifie les variations temporelles du canal. Une seule
courbe est alors tracée pour les deux vitesses. Ce cas peut être considéré comme un canal
réaliste statique sans mobilité. Nous remarquons que lorsque nt = 2, les performances de
deux précodeurs sont équivalentes même avec ce modèle réaliste du canal.
2.4.2.0.b Estimation imparfaite du canal
Pour évaluer l’impact de la mobilité, nous avons introduit une erreur d’estimation
selon un modèle très simple : l’information disponible à l’émetteur et au récepteur n’est
actualisée qu’à des instants réguliers et sera alors sans erreur uniquement à ces instants.
Dans notre simulation, l’intervalle des estimations est de 100 symboles.
La figure 2.16 présente le TEB moyen avec une estimation imparfaite du canal et pour
les deux vitesses. La première constatation est l’apparition d’une valeur seuil à fort RSB.
Plus la vitesse est élevée et plus la valeur seuil est grande. Par exemple, pour obtenir un
TEB de 10−2 , la puissance doit être augmentée de 2, 5 dB lorsque la vitesse passe de 5
km/h à 50 km/h. Nous constatons aussi que les performances des deux précodeurs sont
équivalentes pour nt = 2 pour tous les canaux considérés.
52
Max−dmin
P−OSM
−1
10
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14 16 18 20
RSB
MIMO 2 × 2 et une MAQ-4, modèle réaliste avec une estimation parfaite
0
10
Max−dmin, 5 Km/h
P−OSM, 5 Km/h
Max−dmin, 50 Km/h
P−OSM, 50 Km/h
−1
10
TEB
−2
10
−3
10
0 2 4 6 8 10 12 14 16 18 20
RSB
MIMO 2 × 2 et une MAQ-4, modèle réaliste avec une estimation imparfaite
53
Ces résultats montrent que les précodeurs sont sensibles à la mobilité mais restent
néanmoins performants en statique, voire à faible vitesse, ce qui représente la plupart des
situations dans les réseaux de capteurs.
2.5 Conclusion
Ce chapitre a présenté certaines techniques MIMO permettant d’exploiter les avantages
du canal multi-antennaire. Nous avons divisé les techniques en deux familles dont la
différence est la connaissance ou non du canal à l’émission.
D’un côté, sans cette information, les codes spatio-temporels représentent une solution
simple assurant notamment un ordre de diversité maximal (nt × nr ). Toutefois, il existe
un rendement 1/2 ≤ R ≤ 1 du débit et le nombre de codes proposant R = 1 est limité. Par
exemple, le code d’Alamouti est valable pour nt = 2 avec R = 1.
De l’autre côté, les précodeurs linéaires optimisent un critère particulier à l’aide de la
connaissance du canal. Ils sont basés sur la SVD pour diagonaliser le canal. Parmi ces
précodeurs, le précodeur max-dmin maximise la distance minimale de la constellation en
réception. Il présente un ordre de diversité maximal (nt × nr ) et un rendement de R = 2.
Une technique récente de précodage a aussi été présentée : le précodeur P-OSM. Ce
précodeur n’est pas basé sur la SVD, il propose une orthogonalisation des symboles reçus
en optimisant le même critère de max-dmin . Il présente un rendement de R = 2 et un ordre
de diversité maximal lorsque nt = 2. En comparant les TEB pour plusieurs modèles de
canaux, nous avons montré que les performance des max-dmin et P-OSM sont équivalentes
pour un système MIMO (2 × nr ). Lorsque nt ≥ 2, le max-dmin est plus performant avec un
gain d’environ 2 dB.
Les précodeurs max-dmin et P-OSM sont considérés dans nos travaux. Afin de sim-
plifier l’intégration de ces précodeurs dans un contexte de réseaux de capteurs avec un
canal de retour, nous nous intéresserons dans le chapitre 3 à la quantification de l’informa-
tion de retour nécessaire à l’émission. Cette quantification permet de réduire la quantité
d’information qui doit être envoyée dans le canal de retour.
54
Chapitre 3
La quantification des précodeurs
max-dmin et P-OSM
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2 Le canal de retour . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2 Le canal de retour dans les normes . . . . . . . . . . . . . . . . . . 59
3.3 La quantification du précodeur max-dmin . . . . . . . . . . . . . . 60
3.3.1 Les informations à quantifier . . . . . . . . . . . . . . . . . . . . . 60
3.3.2 Construction du dictionnaire pour la matrice Fv . . . . . . . . . 60
3.3.3 Choix de la matrice Fv . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.4 Quantification de Fv et de γ . . . . . . . . . . . . . . . . . . . . . . 62
3.3.5 Quantification des matrices Fv et Fd . . . . . . . . . . . . . . . . 67
3.4 La quantification du précodeur P-OSM . . . . . . . . . . . . . . 70
3.4.1 Les informations à quantifier . . . . . . . . . . . . . . . . . . . . . 70
3.4.2 Résultats de TEB . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.5 max-dmin vs P-OSM . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.1 Résultats de TEB . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.2 Discussion sur les difficultés de calculs des précodeurs . . . . . . 76
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
55
CHAPITRE 3. LA QUANTIFICATION DES PRÉCODEURS MAX-DMIN ET P-OSM
3.1 Introduction
Dans le chapitre précédent, nous avons présenté les deux familles de systèmes MIMO :
les systèmes MIMO à boucle ouverte et les systèmes MIMO à boucle fermée. La première
nécessite seulement la connaissance du canal à la réception (Rx-CSI) et l’émetteur ne
connaı̂t pas le canal. Les systèmes MIMO à boucle fermée regroupent toutes les tech-
niques de précodage appliquées avant l’émission comme les précodeurs max-dmin et P-
OSM. La contrainte forte pour ce type d’optimisation est la nécessité de connaı̂tre l’état
du canal (Tx-CSI) à l’émission. Celui-ci est généralement estimé en réception. Par ex-
emple, l’émetteur doit connaı̂tre la matrice complexe Fv et l’angle γ dans le précodeur
max-dmin et les angles θ et θ1 ainsi que le paramètre k dans le précodeur P-OSM. La
CSI à l’émission nécessite donc un canal pour le retour d’information du récepteur vers
l’émetteur (Feedback Channel) pour renvoyer toute l’estimation du canal (CSI complète).
L’hypothèse d’une information complète du canal à l’émission n’est pas réaliste à cause
de la quantité importante d’information à envoyer dans le canal de retour [89], [90]. Cette
quantité augmente en fonction de la dimension du système MIMO [90]. Dans les situ-
ations pratiques, la quantité d’information de retour doit être aussi faible que possible
(Limited Feedback) [90]. Par exemple, dans les réseaux de capteurs, un canal de retour, si
appliqué, ne peut envoyer qu’un nombre limité de bits de retour en raison de contraintes
de consommation d’énergie [91]. En fait, dans le quatrième chapitre, nous proposerons des
systèmes MIMO coopératifs basés sur les précodeurs max-dmin et P-OSM avec un canal
de retour quantifié [92]. Ces systèmes coopératifs permettent de réduire la consommation
d’énergie dans les réseaux de capteurs. De plus, nous montrerons que grâce à la quan-
tification de la CSI réalisée dans ce chapitre, seul 7 bits seront envoyés dans le canal de
retour. Ceux-ci assurent d’une part un bon fonctionnement des précodeurs max-dmin et
P-OSM et limitent d’autre part la consommation d’énergie dans le canal de retour.
L’idée générale de la quantification est de réduire au maximum l’information qui doit
être envoyée à l’émission dans le canal de retour tout en fournissant des performances ac-
ceptables des précodeurs. Dans la littérature, les travaux sur la quantification des systèmes
MIMO précodés sont connus sous le nom “Limited or Finite-rate Feedback Systems”
[89], [93], [94], [95], [96]. Ces travaux sont généralement consacrés à l’étude de la quantifi-
cation de la matrice Fv en créant un dictionnaire et non pas à l’étude d’un tel précodeur
particulier. Rappelons que cette matrice est issue de la SVD du canal H et se trouve dans
tous les précodeurs linéaires. Par conséquent, ces travaux peuvent constituer la base de
notre étude de la quantification.
Ainsi, dans ce chapitre, nous nous focalisons sur la quantification des précodeurs
utilisés dans nos travaux : le max-dmin et le P-OSM. Nous présentons d’abord le principe
du canal de retour ainsi que certains exemples de son application dans les nouvelles normes
de communication sans fil. Ensuite, concernant le max-dmin, notre contribution consiste
à exploiter certaines techniques de la littérature ainsi qu’à en proposer d’autres pour
56
quantifier ce précodeur. Pour cela, nous expliquons la méthode considérée pour constru-
ire un dictionnaire pour la matrice Fv . La quantification de l’angle γ est simple car il
s’agit d’une quantification classique et uniforme dans l’intervalle [0, π/4]. En appliquant
la quantification de Fv et de γ, nous analysons les performances en comparaison avec la
CSI complète en termes de TEB obtenu et de nombre de bits envoyés dans le canal de
retour. La deuxième étape consiste à proposer un autre scénario de quantification pour
le max-dmin . Il s’agit de construire un seul dictionnaire pour la matrice F = Fv Fd : la
matrice Fd est défini par l’angle γ. Nous montrerons que ce nouveau scénario réduit plus
l’information envoyée dans le canal de retour par rapport à la quantification précédente
(Fv et γ), mais en assurant la même performance du TEB.
La deuxième partie de notre étude porte sur la quantification du précodeur P-OSM.
Nous montrons que cette quantification est plus simple que celle du max-dmin car nous
avons deux angles à quantifier classiquement dans leurs intervalles : θ et θ1 . Dans [97],
les auteurs n’ont présenté que deux exemples de TEB pour ce précodeur en quantifiant la
CSI : systèmes MIMO 2×2 et 3×2 avec 6 bits envoyés dans le canal de retour. Les résultats
ont montré que le TEB était proche de celui de la CSI complète. Toutefois, ces résultats ne
peuvent pas être généralisables à d’autres systèmes MIMO plus grands et la distribution
de bits entre les deux angles n’a pas été étudiée. Par conséquent, nous décrivons ici la
quantification du précodeur P-OSM de manière complète. Nous considérons des systèmes
MIMO plus grands et déterminons la distribution optimale des bits envoyés entre θ et θ1 .
Une règle générale sera trouvée pour n’importe quel système MIMO.
Enfin, les précodeurs max-dmin et P-OSM n’ont jamais été comparés entre eux en
considérant la quantification de la CSI. Ainsi, nous comparons les performances en terme
de TEB de ces précodeurs avec la quantification de la CSI et pour le même nombre de
bits envoyés dans le canal de retour. Nous comparons également les difficultés de calculs
des précodeurs max-dmin et P-OSM à travers les étapes de transmission et de réception.
3.2 Le canal de retour

3.2.1 Principe général
L’histoire du canal de retour dans les systèmes de communication remontent à Shannon
[98], [99] et à d’autres premiers travaux tels que [100], [101], [102]. Récemment, l’appli-
cation d’un “Finite-rate Feedback Channel” dans les systèmes MIMO à boucle fermée a
attiré beaucoup d’attention [89], [95], [96]. Nous allons présenter le principe général de la
quantification de l’information de retour pour les systèmes MIMO à boucle fermée.
Rappelons l’écriture matricielle du système MIMO général précodé :
y = GHFs + Gn (3.1)
À l’émission, l’émetteur a besoin de connaitre la matrice de précodage F qui optimise
le système comme nous l’avons vu dans le chapitre 2. Le récepteur estime l’état du canal
57
et calcule l’information de retour nécessaire à l’émission (ici, la matrice de précodage). La

quantification consiste à choisir la matrice de précodage F parmi un ensemble fini F de
matrices de précodage, appelé le dictionnaire (ou codebook) [93] :
F = (F1 , F2 , ..., FN ) (3.2)
où N = 2n est le nombre de matrices dans le dictionnaire et n représente le nombre de

bits utilisés pour envoyer la matrice choisie à l’émetteur. Ce dictionnaire est connu au
récepteur et à l’émetteur. Le récepteur choisit la matrice F optimale dans le dictionnaire
en fonction de l’état du canal estimé, et l’envoie à l’émetteur sur le canal de retour en
utilisant n bits (figure 3.1).
Rappelons que la matrice F est une matrice complexe de taille [nt × b] où nt est le
nombre d’antennes à l’émission et b = 2 est le nombre de symboles émis simultanément (cf.
chapitre 2). Pour mieux montrer l’avantage de la quantification, nous donnons l’exemple
suivant : un système MIMO 4 × 4 possède une matrice F qui contient 4 × 2 = 8 éléments
complexes. Par conséquent, nous avons 8 × 2 = 16 paramètres à envoyer à l’émission
chaque fois que le canal change. En appliquant maintenant la quantification, seuls n bits
sont alors envoyés au lieu de toute la matrice F. Le paramètre n est généralement de
l’ordre de quelques bits.
Ce principe général de la quantification est valide pour tous les systèmes MIMO basés
sur le précodage linéaire et la SVD. Dans le cas où la SVD n’est pas utilisée comme le
précodeur P-OSM, la quantification devient plus simple comme nous le verrons dans ce
chapitre.
Tx1 Rx1
Symboles H
F Récepteur
Rxnr
Txnt
Estimation de H
Envoyer la matrice choisie Quantification de la CSI
en utilisant n bits F = (F1 , F2 , ..., FN ) , N = 2n
Figure 3.1 - Principe général de la quantification de l’information de retour
58
3.2.2 Le canal de retour dans les normes

Plusieurs applications du canal de retour peuvent être trouvées dans les nouvelles
normes de communication sans fil. Nous citons quelques applications des dictionnaires
qui sont considérées ou en cours d’étude dans certaines normes.
IEEE 802.11n C’est une extension améliorée de la norme IEEE 802.11 pour un réseau
sans fil local (WiFi). Il s’appuie sur l’utilisation conjointe des techniques MIMO et OFDM.
Cette norme propose d’utiliser le Feedback qui est appelé Beamforming (optionnel) [103].
Nous pouvons par exemple trouver trois types de Feedback :
1. “CSI Matrices Feedback” : il renvoie pour chaque sous-porteuse une valeur d’am-
plitude maximale quantifiée sur 3 bits et la matrice du canal quantifiée : 4 à 8 bits
pour chaque partie réelle et imaginaire.
2. “Non-compressed Beamforming Matrix Feedback” : le récepteur calcule le précodeur
(une matrice de précodage), quantifie chaque élément de la matrice et envoie cette
information dans le canal de retour.
3. “Compressed Beamforming Matrix Feedback” : le récepteur représente le précodeur
en utilisant les rotations de Givens [95]. Les paramètres ou les angles sont ensuite
quantifiés et envoyés.
IEEE 802.16e Cette extension de la norme IEEE 802.16 (WiMAX) propose d’intro-
duire des fonctionnalités de mobilité dans les réseaux sans fil métropolitains (WMAN) [104].
Plusieurs dictionnaires peuvent être supportés par la norme IEEE 802.16e sur la liaison de-
scendante pour deux, trois et quatre antennes. Par exemple, des dictionnaires de trois bits
(n = 3 bits) peuvent être trouvés, ils sont : “Grassmannian codebooks” [89]. Le principe
de construction d’un dictionnaire en utilisant la théorie de Grassman sera présentée plus
tard. Un autre exemple d’un dictionnaire de six bits peut être aussi trouvé pour le Beam-
forming. Ce dictionnaire est dérivé d’un générateur de vecteurs multipliés par des matrices
unitaires (matrices de Householder) [89].
IEEE 802.16m/ 4G La norme IEEE 802.16m est chargée de développer un amende-

ment à la norme IEEE 802.16 (WiMAX). Cette norme doit rendre possible la convergence
des technologies WiMAX, WiFi et 4G. Alors qu’il est encore tôt dans le processus de nor-
malisation, il semble que l’IEEE 802.16m reprendra ce que la norme IEEE 802.16e a
laissé. La norme IEEE 802.16m utilisera le MIMO-OFDM comme l’IEEE 802.16e mais
supportera plus de techniques avancées pour le Feedback dans le système MIMO [89].
3GPP (Long Term Evolution ou LTE) et 3GPP2 (Ultra Mobile Broadband)

Ce sont les normes les plus évoluées parmi les normes de téléphonie mobile (GSM/UMTS,
CDMA2000 et TD-SCDMA). La norme LTE est la prochaine évolution de l’UMTS utilisé
en Europe alors que la norme 3GPP2 est la prochaine évolution de CDMA2000 utilisé
aux États-Unis. Ces deux normes considèrent la technique MIMO-OFDM dans la couche
59
physique et proposent différents dictionnaires sur la liaison descendante [105], [89]. Dans la
norme LTE, on peut trouver par exemple un dictionnaire de quatre bits pour le Beamform-
ing. Le dictionnaire est construit en prenant des sous-ensembles spécifiques des matrices
de Householder [89]. Par contre, dans la norme 3GPP2 par exemple, deux dictionnaires
sont inspirés de la construction du dictionnaire, proposée par D. J. Love dans [93] et [106],
qui implique la théorie de Grassman.
3.3 La quantification du précodeur max-dmin

3.3.1 Les informations à quantifier
Rappelons l’écriture matricielle du système max-dmin :
y = GHFv Fd s + Gn (3.3)
La matrice Fd qui maximise la distance minimale est totalement caractérisée par
l’angle γ (cf. chapitre 2). Par conséquent, deux paramètres principaux doivent être envoyés
à l’émission : la matrice Fv et l’angle γ ou la matrice Fv et la matrice Fd .
La première étape de la quantification consiste à quantifier la matrice Fv . Rappelons
que cette matrice est une matrice complexe et unitaire issue de la SVD de H. Après avoir
estimé le canal, la matrice Fv est choisie selon un certain critère parmi un ensemble fini
de matrices de précodage unitaires du dictionnaire Fv :
Fv = (Fv1 , Fv2 , ..., FvN ) (3.4)
où N = 2n1 , n1 représente le nombre de bits utilisé pour envoyer la matrice choisie à
l’émetteur.
Dans ce précodeur, nous avons alors deux possibilités de quantification :
1. Quantification de Fv et de γ.
2. Quantification de Fv et de Fd .
Nous présentons d’abord la méthode considérée pour construire un dictionnaire pour la
matrice Fv . Ce dictionnaire sera ensuite exploité avec la quantification de γ pour évaluer et
analyser les performances du précodeur max-dmin en termes de TEB obtenu et de nombre
de bits envoyés dans le canal de retour. Puis, nous étudions la deuxième possibilité de
quantification où nous proposons de construire un dictionnaire pour la matrice Fd . Les
deux possibilités de quantification seront comparées afin de choisir la meilleure en termes
de TEB et de nombre de bits envoyés dans le canal de retour.
3.3.2 Construction du dictionnaire pour la matrice Fv

La construction du dictionnaire est difficile car la distribution statistique de la ma-
trice de canal H et un critère de sélection de Fv doivent être pris en compte [90]. Dans la
60
littérature, les méthodes de construction d’un dictionnaire des matrices unitaires Fv sont
limitées. On trouve principalement les travaux de D. J. Love dans [89], [93] [106], [94] et
les travaux de J. C. Roh dans [95], [107]. Dans cette thèse, nous nous sommes basés sur
les travaux de D. J. Love pour construire le dictionnaire Fv car c’est lui qui a fait le plus
de recherche dans ce domaine et ses travaux sont bien reconnus dans la littérature. De
plus, certains de ses travaux sont considérés dans la norme 3GPP2. D. J. Love implique
la théorie de Grassman (Grassmannian manifold) pour construire un dictionnaire de ma-
trices unitaires [108], [109], [110]. Par la suite, nous présenterons comment construire le
dictionnaire Fv sans entrer dans les détails mathématiques.
Pour un canal de Rayleigh, le dictionnaire Fv , qui consiste en un nombre fini de ma-
trices unitaires, représente un ensemble (ou packing) dans les sous-espaces de Grassman
[93], [106]. Cela est appelé dans la littérature “Grassmannian Subspace Packing”. Avant
de construire le dictionnaire, il faut d’abord définir une mesure de distorsion moyenne en
fonction du canal H :
′
EH [ min
′
(∥HFv ∥2F − ∥HFv ∥2F )] (3.5)
Fv ∈Fv
Le dictionnaire Fv doit ensuite minimiser cette distorsion. Un dictionnaire est proposé

dans [93] et [106], il prend la forme :
Fv = (FDF T , ΘFDF T , ..., ΘN −1 FDF T ) (3.6)
où N = 2n1 , FDF T est une matrice de taille [nt × b]. Cette matrice FDF T contient des
√
coefficients égaux à (1/ nt )ej(2π/nt )kl dans la position (k, l) : k = 1, ..., nt et l = 1, ..., b. Θ
est une matrice diagonale donnée par :
j(2π/N )u1
⎛ e 0 ... 0 ⎞
)u
⎜ 0 ej(2π/N 2 ... 0 ⎟
Θ=⎜ ⎟ où 0 ≤ u1 , ..., unt ≤ N − 1 (3.7)
⎜ ⋮ ⋱ ⋮ ⎟
⎝ 0 0 . . . ej(2π/N )unt ⎠
Le vecteur u = [u1 , u2 , ..., unt ]T prend ses valeurs dans l’ensemble : Z = {u ∈ Znt , 0 ≤
uk ≤ N − 1}. Il est calculé pour maximiser la distance de Chordal d entre la matrice de
référence FDF T et la matrice Θl FDF T :
u = arg max { min d (FDF T , Θl FDF T )} (3.8)

Z 1≤l≤N −1
La distance de Chordal d est définie par :

1
d(A, B) = √ ∣∣AA∗ − BB∗ ∣∣F (3.9)
2
61
Le temps de calcul de ce dictionnaire est long car il faut tester toutes les combinaisons
possibles du vecteur u afin de choisir la meilleure combinaison qui maximise la distance.
De plus, le nombre de combinaisons à tester augmente en fonction du nombre d’antennes
d’émission nt et du nombre de matrices N dans le dictionnaire qui dépend du nombre de
bits de la quantification n1 . En fait, N nt cas possibles doivent être testés. Néanmoins, le
calcul de dictionnaire se fait hors ligne et il peut être stocké à l’émission et à la réception.
Pour stocker le dictionnaire, seulement nt log2 N bits sont nécessaires car il suffit de stocker
le vecteur u.
3.3.3 Choix de la matrice Fv

Une fois le dictionnaire construit, il est stocké à l’émission et à la réception. Le
récepteur cherche alors la matrice Fv optimale dans le dictionnaire en fonction de l’état
du canal, qui est déjà estimé, et l’envoie en utilisant n1 bits à l’émetteur sur le canal de
retour. Cette matrice optimale devrait en principe donner les meilleures performances du
précodeur et elle est choisie selon un certain critère. Celui-ci est basé sur le maximum
de vraisemblance (MV) [93] et dans le cas du précodeur max-dmin , on cherche alors la
matrice Fv qui donne la distance maximale :
F̂v = arg max { min ∥HFv Fd e(xk , xl )∥2 } (3.10)

Fv ∈Fv (xk ,xl )∈C b
où e(xk , xl ) = xk − xl (k ≠ l) est l’ensemble des vecteurs des différences entre les symboles
transmis.
En général, ce critère est lourd en calcul car il dépend de la taille du dictionnaire
(N = 2n1 ) et du nombre de vecteurs de distances à tester. Néanmoins, plusieurs simplifi-
cations sont possibles. En fait, pour une modulation MAQ, certains vecteurs de distances
sont égaux et colinéaires et peuvent être négligés dans le calcul sans aucune perte de per-
formance. Par exemple, pour une MAQ-4 et b = 2, nous avons 240 vecteurs de distances
à tester [71], ce nombre peut être réduit à 14 ce qui diminue considérablement le temps
de calcul. Pour une MAQ-16, ce calcul devient plus lourd et cette modulation n’est pas
considérée dans notre étude des précodeurs.
3.3.4 Quantification de Fv et de γ
En plus de la quantification de la matrice Fv , nous avons besoin de quantifier l’angle
γ dans le précodeur max-dmin . Cet angle permet de calculer la matrice Fd qui maximise
la distance minimale. L’angle γ est quantifié uniformément en divisant l’intervalle [0, π/4]
par 2n2 niveaux de quantification, n2 est le nombre de bits utilisés pour envoyer l’angle γ
quantifié.
Si NF b représente le nombre total de bits disponibles dans le canal de retour :
NF b = n1 + n2 (3.11)
62
où n1 et n2 sont choisis à partir des simulations afin que le précodeur atteigne les per-
formances les plus proches du cas parfait (CSI complète). Le but est de maintenir le
paramètre NF b le plus faible possible tout en ayant des performances raisonnables du
précodeur, c’est-à-dire les plus proches de la CSI complète. Par la suite, nous présentons
les résultats de TEB en fonction du RSB du précodeur max-dmin après avoir appliqué la
quantification de la CSI. Nous étudions aussi plusieurs configurations de n1 et de n2 .
Notons que dans ce chapitre et les chapitres suivants, les précodeurs max-dmin et P-
OSM sont toujours utilisés avec une MAQ-4 car celle-ci présente le moins de complexité
dans le calcul dans le récepteur MV ou dans le critère de recherche précédent. De plus, nous
considérerons des configurations réalistes d’antennes d’émission et de réception (nt × nr )
pour le système MIMO. Cela veut dire que nt et nr vont de 2 à 4 (antennes).
3.3.4.1 Détermination de n2 : γ quantifié et Fv complète

Nous déterminons d’abord n2 le nombre de bits nécessaires pour quantifier l’angle γ
en considérant une information complète sur la matrice Fv . La figure 3.2 montre le TEB
du max-dmin pour un système MIMO 2 × 2, avec la quantification de γ pour n2 = 1, 2 et 3
bits dans l’intervalle [0, π/4] alors que la matrice Fv est complète (sans quantification).
Nous remarquons que n2 = 2 bits est suffisant pour avoir un TEB très proche de celui
de la CSI complète. Cela est aussi valide pour d’autres configurations MIMO, par exemple,
3 × 3 ou 4 × 4. Par conséquent, n2 = 2 bits sera choisi et fixé pour la quantification de γ.
CSI complète
Fv complète, 1 bit Gamma
Fv complète, 2 bits Gamma
−1
10 Fv complète, 3 bits Gamma
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14 16 18
RSB
Figure 3.2 - TEB du précodeur max-dmin : Fv complète avec une quantification de γ, un

système MIMO 2 × 2 et une MAQ-4
63
3.3.4.2 Étude de n1 : γ et Fv quantifiés

Nous quantifions maintenant l’angle γ et la matrice Fv en considérant plusieurs systèmes
MIMO.
1- Systèmes MIMO 2 × 2 et 2 × 4 :
La figure 3.3 présente le TEB du max-dmin pour un système MIMO 2 × 2, avec la
quantification de γ pour n2 = 2 bits et de Fv pour n1 = 2, 3 et 5 bits soit un total de
NF b = n1 + n2 = 4, 5 et 7 bits respectivement.
Nous pouvons par exemple remarquer que pour n1 = 2 bits, la quantification présente
une perte d’environ 1 dB pour un TEB de 10−4 . Pour n1 = 3 bits et pour le même TEB,
la performance s’améliore et le TEB après la quantification s’approche beaucoup de la
CSI complète avec une perte d’environ 0,2 dB. En augmentant n1 à 5 bits, le TEB ne
s’améliore pas et reste le même que pour n1 = 3 bits.
CSI complète
2 bits Fv, 2 bits Gamma
−1
10 5 bits Fv, 2 bits Gamma
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14 16 18
RSB
Figure 3.3 - TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 2, 3 et 5

bits et n2 = 2 bits, un système MIMO 2 × 2 et une MAQ-4
Prenons maintenant le système MIMO 2 × 4 présenté sur la figure 3.4, nous constatons
que n1 = 3 (NF b = 5) bits a également assuré une performance raisonnable et proche de
la CSI complète : un écart d’environ 0,5 dB pour un TEB de 10−4 . Dans ce cas, le fait
d’augmenter n1 à 5 bits ne conduit pas à améliorer le TEB.
Ainsi, pour un système MIMO à 2 antennes d’émission, un dictionnaire de Fv con-
tenant 23 matrices (n1 = 3 bits) est suffisant pour assurer des bonnes performances en
comparaison de la CSI complète. Cela donne un nombre total de bits dans le canal de
retour égal à NF b = 3 + 2 = 5 bits.
64
CSI complète
−1
10
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.4 - TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 3 et 5 bits

et n2 = 2 bits, un système MIMO 2 × 4 et une MAQ-4
En principe, pour assurer une dégradation minimale des performances, la taille du

dictionnaire N = 2n1 devrait augmenter en fonction du nombre d’antennes nt du système
MIMO [93], [106]. Il serait alors préférable d’augmenter n1 pour des systèmes MIMO
avec nt plus grand, nt = 3 ou 4 par exemple. Néanmoins, l’augmentation de la taille du
dictionnaire conduit à augmenter le temps de recherche dans le dictionnaire pour trouver
la matrice optimale. En effet, dans la génération du dictionnaire, une étape consiste à
stocker et à tester (2n1 )nt cas possibles. Pour n1 > 7 et nt = 3 ou 4 antennes, cette étape
demande une machine puissante avec une grande capacité de mémoire ce qui n’est pas
actuellement disponible dans le cadre de nos travaux. Par conséquent, le nombre de bits
n1 maximal atteint pour générer le dictionnaire dans les systèmes MIMO, à nt = 3 et 4
antennes, est égal à 7 bits.
2- Systèmes MIMO 3 × 3 et 4 × 4 :
La figure 3.5 présente le TEB du précodeur max-dmin pour un système MIMO 3 × 3
avec n1 = 3, 5 et 7 bits et n2 est toujours 2 bits, soit un total de NF b = 5, 7 et 9 bits
respectivement. La dégradation de performance est maintenant plus importante (l’écart
entre la quantification et la CSI complète). Pour n1 = 7 ou NF b = 9 bits dans le canal de
retour, une perte de 1, 3 dB se produit pour un TEB de 10−4 . Cette figure montre aussi
l’amélioration de la performance lorsque n1 passe de 3 à 5 (un gain de 0,4 dB) et de 5 à
7 bits (un gain de 0,3 dB).
D’autre part, pour un système MIMO 4 × 4 et NF b = 7 + 2 = 9 bits (figure 3.6), une
perte de 1, 6 dB se produit pour un TEB de 10−4 . Cette figure montre clairement l’effet
de l’augmentation de n1 de 5 à 7 bits pour un système MIMO plus grand : un gain de
0,7 dB.
65
CSI complète
−1
10 7 bits Fv, 2 bits Gamma
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.5 - TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 3, 5 et 7

bits et n2 = 2 bits, un système MIMO 3 × 3 et une MAQ-4
CSI complète
−1
10
−2
10
TEB
−3
10
−4
10
0 1 2 3 4 5 6 7 8 9 10
RSB
Figure 3.6 - TEB du précodeur max-dmin avec la quantification de Fv et de γ : n1 = 5 et 7 bits

et n2 = 2 bits, un système MIMO 4 × 4 et une MAQ-4
66
3.3.5 Quantification des matrices Fv et Fd

Rappelons que pour le précodeur max-dmin , nous avons deux possibilités de quan-
tification : la quantification de Fv et de γ et la quantification de Fv et de Fd . Dans le
paragraphe précédent, nous avons quantifié l’angle γ en occupant n2 bits dans le canal de
retour. L’émetteur calcule ensuite la matrice Fd qui maximise la distance minimale.
Ici, nous proposons de quantifier la matrice Fd au lieu de quantifier l’angle γ en
créant un dictionnaire. La construction théorique d’un dictionnaire pour la matrice Fd
est compliquée pour les mêmes raisons de celle de Fv . Ainsi, nous proposons une solution
empirique qui consiste à créer un dictionnaire pour la matrice Fd pour un canal MIMO
de Rayleigh. L’idée de la solution empirique est de construire à partir des simulations un
dictionnaire de Fd pour chaque configuration MIMO (nt ×nr ) en considérant le dictionnaire
de la matrice Fv . Dans ce cas, le dictionnaire de Fd est optimisé pour chaque configuration
de canal MIMO (nt ×nr ) alors que pour générer le dictionnaire de Fv , il suffit de connaı̂tre
le nombre d’antennes à l’émission nt .
Cette quantification permet de réduire le nombre de bits dans le canal de retour de
NF b = n1 + n2 à NF b = n1 tout en assurant la même performance, comme on le verra par
la suite.
L’algorithme du calcul proposé :
1. Pour chaque matrice Fvi du dictionnaire Fv = (Fv1 , Fv2 , ..., FvN ), i = (1, ..., N) qui
est déjà générée pour un certain nt , faire les étapes suivantes :
(a) Un tirage aléatoire de la matrice H du canal MIMO de Rayleigh (nr × nt ).
(b) Pour chaque matrice H, calculer la matrice Fd (solution max-dmin ) et appliquer
le critère :
Fdi = arg max { min b ∥HFvi Fd e(xk , xl )∥2 } (3.12)
(H,Fd )∈Δ (xk ,xl )∈C
Où Δ est l’ensemble des matrices H tirées et les matrices Fd associées.

(c) Enregistrer Fdi .
2. Revenir à 1 et faire les étapes jusqu’à trouver, pour chaque Fvi , une matrice Fdi qui
valide le critère précédent.
La figure 3.7 présente l’algorithme de calcul du dictionnaire. Dans cette méthode, le

dictionnaire de Fd obtenu est optimisé en fonction du canal MIMO (nt × nr ) considéré et
il a la même forme que celui de la matrice Fv :
Fd = (Fd1 , Fd2 , ..., FdN ) (3.13)
De plus, chaque matrice dans ce dictionnaire est associée à une matrice Fv du dictio-
nnaire Fv ; ce couple optimise le précodeur max-dmin. En outre, nous pouvons considérer
67
Fv
Fv1
Fv2
Tirage de H
Fvi calcul de Fd Fdi = arg max {min HFvi Fd e(xk , xl )2 }
(H,Fd )∈Δ
associées
Fd
FvN Fd1
Enregistrer
Fdi Fd2
FdN
Figure 3.7 - Algorithme de calcul proposé pour construire un dictionnaire pour la matrice Fd
que les deux dictionnaires Fv et Fd forment maintenant un seul dictionnaire pour la

matrice F = Fv Fd :
F = (Fv1 Fd1 , Fv2 Fd2 , ..., FvN FdN ) = (F1 , F2 , ..., FN ) (3.14)
où N est toujours égal à 2n1 , c’est-à-dire qu’il suffit d’envoyer NF b = n1 bits dans le canal
de retour pour avoir les deux matrices choisies Fv et Fd .
La génération de ce dictionnaire s’est faite hors ligne et il est stocké à l’émission et à
la réception. Le récepteur choisit la matrice F = Fv Fd optimale dans le dictionnaire selon
le critère :
F̂ = arg max { min ∥HFi e(xk , xl )∥2 } (3.15)
Fi ∈ F (xk ,xl )∈C b
Ce critère demande autant de calcul que celui de (3.10) et les simplifications présentées
dans le paragraphe 3.3.3 peuvent être utilisées. De plus, des travaux ont commencé à
étudier la simplification de ce critère en faisant le lien entre la valeur de l’angle γ et le
nombre de vecteurs de distances à tester [111].
Grâce à cette quantification, il suffit d’envoyer NF b = n1 bits dans le canal de retour
à la place de NF b = n1 + n2 bits dans le cas de la quantification de l’angle γ sans aucune
perte en performance. Cette diminution du nombre de bits dans le canal de retour peut
être utile dans certaines situations où le nombre de bits disponibles doit être très limité
dans le canal de retour comme par exemple dans les réseaux de capteurs.
Les figures 3.8, 3.9 et 3.10 comparent cette quantification avec la quantification précé-
dente (Fv et γ) pour les systèmes MIMO 2 × 4, 3 × 3 et 4 × 4.
68
CSI complète
−1
3 bits Fv.Fd
10
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.8 - TEB du précodeur max-dmin avec la quantification de Fv et de γ (NF b = 3 + 2 bits)

et la quantification de F = Fv Fd (NF b = n1 = 3 bits), un système MIMO 2 × 4 et une MAQ-4
CSI complète
−1
10 5 bits Fv.Fd
7 bits Fv.Fd
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.9 - TEB du précodeur max-dmin avec la quantification de Fv et de γ (NF b = 5 + 2 et

7 + 2 bits) et la quantification de F = Fv Fd (NF b = n1 = 5 et 7 bits), un système MIMO 3 × 3 et
une MAQ-4
69
CSI complète
−1
7 bits Fv.Fd
10
−2
10
TEB
−3
10
−4
10
0 1 2 3 4 5 6 7 8 9 10
RSB
Figure 3.10 - TEB du précodeur max-dmin avec la quantification de Fv et de γ (NF b = 7 + 2

bits) et la quantification de F = Fv Fd (NF b = n1 = 7 bits), un système MIMO 4× 4 et une MAQ-4
Ces résultats montrent que cette quantification assure les mêmes performances que la
quantification précédente, mais en utilisant seulement :
– NF b = n1 = 3 bits au lieu de NF b = 3 + 2 = 5 bits pour le système MIMO 2 × 4
(figure 3.8),
– NF b = n1 = 5 ou 7 bits au lieu de NF b = 5 + 2 = 7 ou NF b = 7 + 2 = 9 bits pour le
système MIMO 3 × 3 (figure 3.9)
– et enfin NF b = n1 = 7 bits au lieu de NF b = 7 + 2 = 9 bits pour le système MIMO 4 × 4
(figure 3.10).
Par conséquent, cette quantification sera considérée dans le reste de cette thèse.
3.4 La quantification du précodeur P-OSM

3.4.1 Les informations à quantifier
Rappelons les informations de retour nécessaires à l’émission pour ce précodeur (cf.
chapitre 2) : l’émetteur a besoin de connaı̂tre les deux angles θ et θ1 , le paramètre k et
si nt > 2, le couple optimal de deux antennes maximisant les performances parmi les nt
disponibles (sélection d’antennes). Ainsi, le nombre de bits total dans le canal de retour
est :
NF b = nθ + nθ1 + nk + nSA (3.16)
où nθ et nθ1 sont les nombres de bits pour quantifier θ et θ1 respectivement, nk = 1 bit pour
la MAQ-4 et 2 bits pour la MAQ-16 (choisir le paramètre k, chapitre 2) et nSA = log2 (Cn2t )
70
bits pour choisir deux antennes parmi nt antennes à l’émission. Le coefficient binomial est
Cn2t = (nt !)/(2!(nt − 2)!).
La quantification du précodeur P-OSM est alors plus simple que celle du max-dmin car
nous avons besoin de quantifier uniformément les deux angles θ et θ1 sur les intervalles
[0, π] et [−π/2, +π/2] respectivement. Deux exemples de TEB pour ce précodeur ont été
présentés dans [97] avec la quantification : systèmes MIMO 2 × 2 et 3 × 2 avec 6 bits
dans le canal de retour. Nous considérons ici un système MIMO plus grand et étudions
particulièrement comment distribuer au mieux les bits disponibles entre θ et θ1 . Nous
déterminons une règle généralisable à n’importe quel système MIMO. Cette étude n’a pas
été considérée dans [97].
3.4.2 Résultats de TEB

Dans les résultats suivants, nous ne nous intéressons pas à fixer un nombre total de
bits NF b dans le canal de retour. Notre objectif est de faire varier les nombres de bits nθ
et nθ1 attribués aux θ et θ1 afin de déterminer la meilleure distribution de bits entre les
deux angles. Néanmoins, nous pouvons facilement déterminer le nombre total de bits NF b
pour chaque cas en ajoutant nk et nSA .
3.4.2.1 Distribution de bits entre θ et θ1

Nous considérons d’abord que nθ = 2 bits et nous faisons varier nθ1 . La figure 3.11
présente le TEB du P-OSM pour un système MIMO 4 × 4 avec nθ = 2 et nθ1 = 1, 2, 3 et
4 bits. On remarque que le TEB diminue légèrement en augmentant nθ1 .
CSI complète
2 bits Theta, 1 bit Theta1
−1
2 bits Theta, 2 bits Theta1
10 2 bits Theta, 3 bits Theta1
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.11 - TEB du précodeur P-OSM avec la quantification : nθ = 2 bits et nθ1 = 1, 2, 3 et

4 bits, un système MIMO 4 × 4 et une MAQ-4
71
Nous allons maintenant augmenter nθ d’un bit (nθ = 3 bits) et faire varier encore nθ1
comme le montre la figure 3.12.
En fait, lorsque l’on augmente nθ d’un bit, l’amélioration du TEB devient plus impor-
tante. Par exemple, comparons les cas (nθ = 3, nθ1 = 2) et (nθ = 2, nθ1 = 3). Dans les deux
cas, on a un nombre total de bits égal à 5 bits à attribuer entre nθ et nθ1 . On voit que le
TEB du premier cas (nθ = 3, nθ1 = 2) est mieux que celui du second cas (nθ = 2, nθ1 = 3).
CSI complète
3 bits Theta, 1 bit Theta1
−1
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.12 - TEB du précodeur P-OSM avec la quantification : nθ = 3 bits et nθ1 = 1 et 2

bits, un système MIMO 4 × 4 et une MAQ-4
D’après ces résultats et lorsque le nombre total de bits disponibles pour nθ et nθ1
est limité (3, 4 ou 5 bits), on peut constater que la distribution de bits entre nθ et nθ1
devrait être en faveur de nθ . C’est-à-dire qu’il faut attribuer à nθ un nombre de bits plus
grand que celui attribué à nθ1 . Cela s’explique par le fait que l’angle θ joue un rôle très
important dans le fonctionnement du précodeur P-OSM (orthogonalisation des symboles,
cf. chapitre 2) et il doit ainsi être privilégié. Plusieurs simulations ont montré que ces
remarques sont aussi valides pour d’autres systèmes MIMO tel que 2 × 2, 2 × 3 et 3 × 3.
En revanche, lorsque le nombre total de bits disponibles pour nθ et nθ1 est plus grand
(6, 7 bits ou plus), ce n’est pas nécessaire de respecter cette règle. Dans ce cas, on a
assez de bits pour les deux angles et les performances avec la quantification s’approchent
beaucoup de celles de la CSI complète comme on le voit sur la figure 3.13.
Enfin, nous pouvons résumer que pour nθ = nθ1 = 3 bits, le P-OSM assure un TEB très
proche de celui d’une CSI complète, voire quasiment identique pour nθ = 4 et nθ1 = 3 bits.
Ces remarques sont valides pour tous les systèmes MIMO (2 × 2, 2 × 4, 3 × 3 et 4 × 4).
72
CSI complète
−1
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.13 - TEB du précodeur P-OSM avec la quantification pour plusieurs configurations
de nθ et nθ1 , un système MIMO 4 × 4 et une MAQ-4
3.5 max-dmin vs P-OSM

Les précodeurs max-dmin et P-OSM n’ont à présent pas été comparés entre eux en
considérant la quantification de la CSI. Dans cette section, nous comparons les résultats
de TEB des précodeurs max-dmin et P-OSM en supposant un certain nombre de bits NF b
disponibles dans le canal de retour. Nous continuerons ensuite en discutant de la difficulté
de calculs de ces précodeurs à travers les étapes de transmission et de réception.
3.5.1 Résultats de TEB

Lorsqu’un certain nombre de bits NF b est disponible dans le canal de retour pour les
deux précodeurs, nous avons :
– Pour le max-dmin : NF b = n1 .
– Pour le P-OSM : NF b = nθ + nθ1 + nk + nSA .
Lorsque nt = 2, le P-OSM n’a pas besoin de faire la sélection d’antennes et nSA = 0.

Rappelons que dans ce cas, les performances de ces précodeurs en terme de TEB pour une
CSI complète sont équivalentes (cf. chapitre 2). Par conséquent, nous considérons d’abord
73
un système MIMO à 2 antennes d’émission comme par exemple le système MIMO 2 × 4.

Pour ce système, nous avons vu que le max-dmin a assuré une performance proche de la
CSI complète en utilisant NF b = 3 bits disponibles dans le canal de retour (figure 3.8).
- Système MIMO 2 × 4
La figure 3.14 compare le TEB des deux précodeurs pour le système MIMO 2 × 4
et pour NF b = 3 bits. Le max-dmin est quantifié en utilisant le dictionnaire pour Fv Fd :
NF b = n1 = 3 bits. Pour le P-OSM, nous avons nk = 1 bit (MAQ-4), il ne reste que 2 bits
pour nθ et nθ1 , nous mettons alors nθ = nθ1 = 1 bit (nSA = 0 car nt = 2).
Une seule courbe de TEB est tracée pour les max-dmin et P-OSM en cas de CSI
complète car ils sont équivalents. Lorsque NF b = 3 bits dans le canal de retour, le max-dmin
présente un TEB proche de celui de CSI complète (une perte de 0,5 dB pour un TEB de
10−4 ) alors que le TEB du P-OSM se dégrade fortement car nous n’avons que 2 bits pour
quantifier les deux angles nθ et nθ1 . Sur la figure 3.14, nous montrons aussi que le P-OSM
nécessite un NF b = 6 bits (nθ = 3, nθ1 = 2 et nk = 1 bit) pour assurer une performance
similaire à celle du max-dmin (NF b = 3 bits).
CSI complète (Max−dmin et P−OSM)

Max−dmin quantifié, total de 3 bits
P−OSM quantifié, total de 3 bits
−1
10 P−OSM quantifié, total de 6 bits
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.14 - Comparaison des TEB des max-dmin et P-OSM avec la quantification pour
NF b = 3 bits, un système MIMO 2 × 4 et une MAQ-4
- Système MIMO 4 × 4
Nous considérons maintenant un système MIMO plus grand (nt > 2) comme par ex-
emple le système MIMO 4 × 4. Dans ce cas, le P-OSM doit faire la sélection d’antennes et
74
nSA ≠ 0. Rappelons que pour nt = 4 antennes, le nombre de bits n1 maximal atteint pour
générer le dictionnaire pour le max-dmin est égal à 7 bits (cf. paragraphe 3.3.4.2).
Ainsi, la figure 3.15 montre le TEB des deux précodeurs pour le système MIMO 4 × 4
et pour NF b = 7 bits. Le max-dmin est quantifié en utilisant le dictionnaire pour Fv Fd :
NF b = n1 = 7 bits. Pour le P-OSM, nous avons nk = 1 bit (MAQ-4) et nSA = log2 (C42 ) = 3
bits pour choisir deux antennes parmi les quatre antennes à l’émission. Par conséquent, il
ne reste que 3 bits pour nθ et nθ1 , nous mettons alors nθ = 2 bits (assurer nθ ) et nθ1 = 1 bit.
Selon cette figure, on constate que pour une CSI complète, le max-dmin est plus per-
formant que le P-OSM avec un gain de 2 dB pour un TEB de 10−4 , ce qui a déjà été validé
dans le chapitre 2. Pour une CSI quantifiée, il est clair que chaque précodeur présente une
certaine dégradation. Néanmoins, le max-dmin reste plus performant que le P-OSM pour
NF b = 7 bits dans le canal de retour avec un gain de 2,7 dB pour un TEB de 10−4 .
P−OSM CSI complète

−1
Max−dmin CSI complète
10 Max−dmin quantifié, total de 7 bits
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.15 - Comparaison des TEB des max-dmin et P-OSM avec la quantification pour pour
NF b = 7 bits, un système MIMO 4 × 4 et une MAQ-4
Comme nous l’avons vu dans le paragraphe 3.4.2.1, à partir de nθ = nθ1 = 3 bits, le P-

OSM peut assurer un TEB très proche de celui de la CSI complète. Ainsi, en augmentant
légèrement NF b de 7 à 10 bits (figure 3.16), le P-OSM quantifié présente un TEB très
proche de celui d’une CSI complète car nθ est assuré dans ce cas : nk = 1, nSA = 3, nθ = 3
et nθ1 = 3 bits. Le max-dmin n’est pas disponible pour cette quantification (n1 > 7 et nt = 4,
paragraphe 3.3.4.2), il est néanmoins présenté sur la figure 3.16 en version complète.
75

−1
10
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12
RSB
Figure 3.16 - Comparaison des TEB des max-dmin et P-OSM avec la quantification pour
NF b = 10 bits, un système MIMO 4 × 4 et une MAQ-4,
En résumé et d’après ces résultats, nous constatons que le précodeur P-OSM présente
certaines limites lorsque le nombre de bits disponibles dans le canal de retour est très faible.
Rappelons l’exemple présenté sur la figure 3.14 pour NF b = 3 bits et un système MIMO
2 × 4 dans lequel le max-dmin a assuré une bonne performance alors que la performance du
P-OSM était dégradée. Cette situation est aussi similaire pour un système MIMO 3 × 3 et
NF b = 5 bits par exemple. Néanmoins, à partir de nθ = nθ1 = 3 bits, le P-OSM peut assurer
une performance très proche de la CSI complète (figure 3.16 avec NF b = 10 bits).
D’autre part, NF b dans le précodeur max-dmin est actuellement limité à 7 bits pour nt =
3 ou 4 antennes, ce qui entraine une certaine dégradation comme le montre la figure 3.15.
Le max-dmin pourrait assurer un TEB plus proche en augmentant NF b .
3.5.2 Discussion sur les difficultés de calculs des précodeurs

Nous analysons ici les difficultés de calculs des précodeurs max-dmin et P-OSM à travers
les étapes de transmission et de réception.
1- La quantification
Les deux précodeurs appliquent une stratégie de quantification différente. La quantifi-
cation du max-dmin s’appuie sur la construction d’un dictionnaire pour Fv ou Fv Fd . La
construction du dictionnaire n’est pas facile car le modèle du canal de transmission et ses
76
statistiques doivent être prises en compte. Dès lors, pour chaque modèle de canal considéré
(canal de Rayleigh, canal variable dans le temps), il faut construire un dictionnaire. Dans
la plupart des travaux, le dictionnaire est construit pour un canal de Rayleigh. Toutefois,
il serait important d’anticiper le changement des statistiques de canal pour le prendre en
compte dans la conception du système. La construction du dictionnaire pourrait alors se
faire hors ligne et être stocké à l’émission et à la réception. Enfin, la recherche dans le
dictionnaire pour trouver la matrice Fv optimale est généralement lourde et augmente en
fonction de n1 . Plusieurs simplifications sont possibles comme nous l’avons précédemment
présenté (cf. paragraphe 3.3.3).
En revanche, la quantification du P-OSM s’appuie sur une quantification classique de
deux angles θ et θ1 . Cette quantification peut être effectuée pour chaque réalisation du
canal. Ainsi, la complexité de la quantification dans le P-OSM est plus simple que pour
le max-dmin.
2- Le précodage
Les précodeurs max-dmin et P-OSM optimisent le même critère : maximisation de la dis-
tance euclidienne minimale de la constellation. Cependant, ils utilisent deux philosophies
de précodage différentes. Le max-dmin est basé sur la SVD de la matrice du canal alors
que le P-OSM applique un codage-orthogonalisation en considérant une représentation
réelle de système MIMO.
En principe, la SVD est gourmande en calcul alors que le P-OSM évite ce type de
calcul. Le P-OSM calcule d’abord l’angle θ à partir de la matrice du canal H, il adopte
ensuite une représentation réelle du système MIMO et calcule le deuxième angle θ1 qui
sert finalement à déterminer le paramètre k (cf. paragraphe 2.3.2). La complexité de calcul
de toutes ces opérations (calcul de θ, θ1 , représentation réelle de système et k) n’est pas
évidente, elles pourraient avoir autant de complexité que la SVD. Une comparaison exacte
n’est pas l’objet de notre étude actuelle.
D’autre part et lorsque nt > 2, le P-OSM doit être associé à une méthode de sélection
d’antennes ce qui augmente le calcul. Néanmoins, une méthode de sélection d’antennes
basée sur la distance euclidienne minimale a été simplifiée dans [84] pour le P-OSM. Il a
été montré que l’ensemble des vecteurs de distances à tester peut être réduit de 120 à 2
pour la MAQ-4 et de 32640 à 5 pour la MAQ-16. Cette méthode est utilisée dans notre
travail.
3- Le décodage MV
Les deux précodeurs transmettent simultanément b = 2 symboles issus de la modulation
MAQ-M. Le max-dmin envoie un mélange de deux symboles sur chaque antenne. Dans ce
cas, le récepteur MV estime un couple de symboles émis ce qui donne une complexité de
décodage égale à M b = M 2 tests.
En revanche, grâce à l’orthogonalité des symboles assurée par l’angle θ, le P-OSM
77
découple les symboles et permet de réduire les tests de décision dans le récepteur MV à
b × M = 2 × M tests.
Néanmoins, les deux précodeurs seront appliqués dans un contexte de MIMO coopératif
pour les réseaux de capteurs dans le chapitre suivant. Nous montrerons que cette orthogo-
nalité assurée par le P-OSM est plus sensible à l’erreur de synchronisation que le max-dmin
même si elle conduit à diminuer la complexité de décodage de MV.
3.6 Conclusion
Ce chapitre a été consacré à l’étude de la quantification d’informations de retour dans
les précodeurs max-dmin et P-OSM. Deux scénarios de quantification pour le max-dmin
sont analysés : la quantification de Fv et de γ et la quantification des matrices Fv et Fd .
Nous avons proposé de construire un dictionnaire pour Fd . Cela a permis de réduire NF b
de n1 + n2 à n1 bits en assurant les mêmes performances. La quantification du P-OSM
ne s’appuie pas sur le principe de dictionnaire, il s’agit d’une quantification classique des
angles θ et θ1 .
Nous avons évalué les performances de ces précodeurs en terme de TEB. En pratique,
ce seul critère ne suffit pas pour privilégier définitivement un précodeur par rapport à
l’autre car la difficulté de calcul de chaque précodeur doit aussi être prise en compte. En
analysant cette dernière, nous avons montré que la quantification et le décodage MV du
P-OSM sont plus simples que celles du max-dmin. En revanche et dans certains exemples
d’applications comme dans les réseaux de capteurs, nous verrons que le décodage MV du
P-OSM est plus sensible à l’erreur de synchronisation que celui du max-dmin (cf. chapitre
4). D’autre part, la difficulté de calcul des opérations du précodage n’est pas complètement
claire pour ces précodeurs (calcul de la SVD, θ, θ1 , représentation réelle de système et k),
une étude précise de ces opérations semble nécessaire.
Néanmoins, en ajustant les paramètres du système MIMO de manière précise (nt ,
nr , NF b , nθ , nθ1 ), les deux précodeurs quantifiés pourraient assurer des performances
acceptables en comparaison de la CSI complète.
Dans le chapitre suivant, nous montrerons que grâce à cette quantification, qui permet
de réduire la quantité de la CSI envoyée dans le canal de retour, les précodeurs max-dmin
et P-OSM peuvent être utilisés dans un contexte de MIMO coopératif pour les réseaux
de capteurs. Nous proposerons plusieurs schémas coopératifs basés sur ces précodeurs.
78
Chapitre 4
Précodeurs coopératifs max-dmin et
P-OSM pour les réseaux de capteurs
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2 Modèle de consommation d’énergie dans les réseaux de cap-
teurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.1 Principe du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.2 Analyse du modèle et avantages des précodeurs . . . . . . . . . . 84
4.3 Mise en œuvre des précodeurs . . . . . . . . . . . . . . . . . . . . 87
4.3.1 Le précodeur max-dmin . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3.2 Le précodeur P-OSM . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.3.3 Délai de transmission . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.4 Étude des performances des systèmes coopératifs proposés . 92
4.4.1 Étude des configurations du système P-OSM coopératif . . . . . 93
4.4.2 Répartition de la consommation d’énergie Epa et Ec . . . . . . . 94
4.4.3 Système coopératif OSTBC vs système SISO . . . . . . . . . . . . 95
4.4.4 Comparaisons des systèmes coopératifs max-dmin , P-OSM et
OSTBC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.5 L’effet de l’erreur de synchronisation . . . . . . . . . . . . . . . 101
4.5.1 Modèle de système avec une erreur de synchronisation . . . . . 102
4.5.2 Performances des systèmes coopératifs . . . . . . . . . . . . . . . . 104
4.6 Bilan et conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
79
CHAPITRE 4. PRÉCODEURS COOPÉRATIFS MAX-DMIN ET P-OSM POUR LES
RÉSEAUX DE CAPTEURS
4.1 Introduction
Dans le chapitre précédent, nous avons quantifié les précodeurs max-dmin et P-OSM
afin de limiter judicieusement la quantité d’information envoyée dans le canal de retour.
Cette quantification est indispensable pour l’application de ces précodeurs dans les réseaux
de capteurs comme on le verra dans ce chapitre.
Dans les réseaux de capteurs, la réduction de la consommation d’énergie afin d’aug-
menter la durée de vie du réseau est la contrainte de conception la plus forte (cf. para-
graphe 1.6.2). Dans ce contexte, le potentiel des systèmes MIMO est utilisé pour réduire
l’énergie de transmission. En fait, le MIMO coopératif a été proposé pour les réseaux de
capteurs et des systèmes MIMO coopératifs on été étudiés dans [46], [51], [52], [53], [54],
[55]. Ces systèmes coopératifs assurent une connexion directe entre un groupe de cap-
teurs et la destination. Ils ont montré leur efficacité en terme de consommation d’énergie
en comparaison du système SISO classiquement utilisé dans les réseaux de capteurs, en
dépit de l’énergie supplémentaire nécessaire pour l’opération coopérative. Cependant, ces
systèmes coopératifs étaient jusque-là basés sur un système MIMO à boucle ouverte en
utilisant les codes spatio-temporels en bloc orthogonaux (OSTBC).
Dans ce chapitre, notre contribution consiste à exploiter au mieux le principe de
coopération des capteurs en considérant un système MIMO à boucle fermée et en ap-
pliquant les techniques de précodages max-dmin et P-OSM.
Cependant, la mise en place des précodeurs max-dmin et P-OSM est plus compliquée
que celles des codes spatio-temporels à cause des étapes supplémentaires nécessaires à la
CSI. En effet, après avoir estimé le canal à la réception, l’information doit être envoyée
à l’émission par un canal de retour. En quantifiant la CSI, nous proposons plusieurs
schémas coopératifs qui permettent de mettre en place les deux précodeurs avec le canal
de retour [92]. Puis, nous évaluons et analysons la consommation d’énergie et le délai de
transmission de nos solutions en prenant comme référence le système MIMO coopératif à
codes spatio-temporels présent dans la littérature.
Il faut souligner que contrairement au système MIMO classique, les capteurs coopératifs
sont physiquement séparés dans l’espace ce qui peut entrainer une désynchronisation de
leurs horloges. Ainsi, les MIMO coopératifs proposés seront d’abord étudiés en supposant
une synchronisation parfaite entre les capteurs et ensuite en introduisant une erreur de
synchronisation.
Dans cette étude, nous considérons le scénario 2 de MIMO coopératif présenté dans le
paragraphe 1.6.3 qui représente un exemple type d’une communication coopérative entre
un groupe (cluster) de nt nœuds ou capteurs et un DGN qui possède nr antennes [46], [53].
Chaque nœud commence par diffuser ses données sur une courte distance dm à tous les
autres nœuds dans le groupe. Cette étape représente la transmission locale sur un canal
SISO. Des techniques MIMO (codes OSTBC ou précodeurs) sont alors employées pour
80
envoyer simultanément les données au DGN sur une distance d, d ≫ dm où chaque nœud
coopérant joue le rôle d’une antenne d’un système multi-antennaire (figure 4.1). Cette
étape représente la transmission sur un canal MIMO.
À la réception, le DGN reçoit le signal MIMO modulé et s’occupe de la recombinaison
des signaux. Rappelons que le DGN possède une alimentation et assurera alors le plus
possible de calculs (estimation du canal, SVD, codage, quantification, etc.).
Transmission locale
Canal SISO
d >> dm
dm DGN
Transmission MIMO
nœud
Cluster Data gathering node (DGN)

Contrainte d’énergie pas de contrainte d’énergie
Figure 4.1 - Un exemple type de MIMO coopératif dans les réseaux de capteurs
On a alors deux étapes principales de transmission :

1. La transmission locale dans le cluster sur un canal SISO et sur une courte dis-
tance dm .
2. La transmission MIMO entre le cluster et le DGN sur une distance d ≫ dm .
4.2 Modèle de consommation d’énergie dans les réseaux

de capteurs
4.2.1 Principe du modèle
Nous considérons le modèle de consommation d’énergie développé dans [51]. Ce modèle
a été utilisé dans plusieurs contextes afin d’évaluer la consommation d’énergie des systèmes
SISO et MIMO coopératifs dans les réseaux de capteurs [46], [52], [91], [112].
Afin d’estimer la consommation d’énergie totale d’un système de transmission, tous les
blocs de la chaı̂ne à l’émission et à la réception doivent être inclus dans le modèle. Toute-
fois, dans un souci de simplicité de modèle, les blocs de traitement numérique du signal
(codage, modulation, détection, etc.) sont omis. Il ne reste que les blocs RF présentés sur
la figure 4.2. Cette figure montre les chaı̂nes classiques d’émission et de réception RF où
DAC est le convertisseur numérique-analogique, LO est le synthétiseur de fréquence, PA
81
est l’amplificateur de puissance, LNA est l’amplificateur faible bruit, IFA est l’amplifica-
teur de fréquence intermédiaire et enfin DAC est le convertisseur analogique-numérique.
Nous avons également un filtre et un mélangeur.
Transmetteur
Mixer
DAC Filter Filter PA
LO
Récepteur
Mixer
Filter LNA Filter Filter IFA ADC
LO
Figure 4.2 - Chaı̂nes classique d’émission et de réception RF
Ce système peut représenter une liaison SISO en considérant un seul transmetteur et

récepteur ou une liaison MIMO en considérant nt transmetteurs et nr récepteurs. Dans
cette étude, tous les nœuds ont les mêmes caractéristiques. La consommation totale de
puissance de ce système RF est constituée de deux sources principales [51] :
– La puissance de transmission Ppa des amplificateurs de puissance.
– La puissance dissipée dans le circuit Pc par tous les autres blocs RF.
La puissance de transmission Ppa des amplificateurs de puissance dépend de la puis-
sance d’émission Pout . Cette dernière est calculée selon la relation du bilan de liaison.
D’après l’analyse du bilan de liaison dans [8], [51], Pout peut être calculée comme suit :
Eb 1 Ml Nr
Pout = Rb ( )( ) (4.1)
N0 Ls Gt Gr
où Eb /N0 est l’énergie par bit sur le bruit ou le RSB par bit requis pour assurer un
TEB cible, Rb est le débit binaire, Gt et Gr sont les gains d’antennes respectivement à
l’émission et à la réception, Ml est la marge de liaison, Nr est la densité de bruit total
effectif à l’entrée du récepteur [51], [113]. Ls représente le modèle de l’atténuation du
canal qui peut être calculée selon plusieurs modèles comme le modèle en espace libre, le
82
modèle à exposant ou bien le modèle à tracé de rayons (cf. section 1.3.3).

En considérant dans un premier temps le modèle à exposant :
λ2 1
Ls = (4.2)
(4π)2 dβ
avec d la distance de transmission, β l’exposant d’atténuation et λ la longueur d’onde de
la porteuse, la puissance de transmission Ppa peut alors être approximée par :
ξ ξ Eb (4π)2 dβ Ml Nr
Ppa = ( )Pout = ( ) ( ) Rb (4.3)
η η N0 Gt Gr λ 2
où ξ est le rapport crête-moyenne (PAR : Peak-to-Average Ratio) et η est l’efficacité de
l’amplificateur de puissance.
La puissance totale dissipée dans le circuit pour nt émetteurs et nr récepteurs (nt =
nr = 1 pour SISO) est donnée par [51] :
Pc = nt (PDAC + Pmix + Pfilt + Psynth )+

+ nr (PLNA + Pmix + PIFA + Pfilr + PADC + Psynth ) = (4.4)
= nt PcT x + nr PcRx
où PDAC , Pmix , PLNA , PIFA , Pfilt , Pfilr , PADC et Psynth représentent respectivement la con-
sommation de puissance du convertisseur numérique-analogique, du mélangeur, de l’am-
plificateur faible bruit, de l’amplificateur de fréquence intermédiaire, des filtres actifs à
l’émission et à la réception, du convertisseur analogique-numérique et du synthétiseur de
fréquence. PcT x et PcRx représentent respectivement la puissance dissipée dans le circuit
pour un seul nœud lors de la transmission et la réception des données.
L’énergie totale par bit consommée Et peut être obtenue par [51] :
Ppa + Pc
Et = = Epa + Ec (4.5)
Rb
où Epa = Ppa /Rb est l’énergie de transmission consommée dans les amplificateurs de puis-
sance et Ec = Pc /Rb est l’énergie consommée dans les circuits.
Remarque : l’énergie supplémentaire due à l’estimation des pilots

Un modèle rigoureux de consommation d’énergie doit prendre en compte l’énergie
consommée pour envoyer les symboles d’apprentissage nécessaires afin d’estimer le canal
à la réception et calculer la CSI. Rappelons que les codes OSTBC ne nécessitent la CSI
qu’à la réception alors que les précodeurs nécessitent la CSI à la réception et à l’émission.
Afin d’incorporer cette énergie supplémentaire dans le modèle de (4.5), supposons que
la taille de paquet à transmettre est égale à F symboles et que, dans chaque paquet,
83
p.nt symboles d’apprentissage sont insérés (p symboles émis par chaque nœud). Le débit
effectif du système est alors donné par [46] :
F − p.nt
Rbeff = ( ) Rb (4.6)
F
En remplaçant Rb par Rbeff dans l’équation (4.5), nous obtenons le modèle de consommation
d’énergie modifié afin de prendre en compte la consommation supplémentaire due aux
symboles d’apprentissage [46].
4.2.2 Analyse du modèle et avantages des précodeurs

Nous nous intéressons ici à l’analyse des paramètres importants du modèle présenté
précédemment en montrant comment les précodeurs max-dmin et P-OSM peuvent réduire
la consommation d’énergie.
Dans l’équation (4.5), les paramètres Gt , Gr , Ml , Nr , PDAC , Pmix , PLNA , PIFA , Pfilt ,
Pfilr , PADC et Psynth s’appliquent de manière égale aux différents systèmes dans notre
étude : SISO, OSTBC et précodeurs. Par conséquent, ils ne sont pas pertinents lors d’une
comparaison relative entre ces systèmes (toutes ces valeurs sont présentées dans [51] et
[114]). Ce sont les paramètres Eb /N0 , Rb et ξ (PAR) qui jouent un rôle important dans
l’étude de ce modèle de consommation d’énergie. Ces paramètres varient selon le système
de transmission considéré dans les réseaux de capteurs (SISO et MIMO). De plus, pour les
systèmes MIMO, ils varient aussi selon la technique utilisée, codes OSTBC ou précodage,
afin de réaliser une transmission MIMO comme on le présentera par la suite.
1- Le paramètre Eb /N0 :
Une approche pour minimiser l’énergie dans n’importe quel système de communication
est de réduire l’énergie par bit nécessaire Eb /N0 pour la communication entre l’émetteur et
le récepteur tout en assurant un TEB cible. Dans les réseaux de capteurs, une amélioration
de ce type peut être un gain important car dans la plupart des situations, l’énergie de
transmission Epa est le terme dominant dans l’énergie totale consommée Et [115]. En con-
sidérant cette approche, le système MIMO demande un Eb /N0 plus faible que le système
SISO dans des canaux à évanouissements pour assurer le même TEB cible [116]. Cela
veut dire que, pour le même TEB, le système MIMO demande une énergie de trans-
mission Ppa moindre que le système SISO. Néanmoins, dans le MIMO coopératif, il faut
ajouter certaines pénalités comme la consommation d’énergie dans le cluster lors de la
transmission locale et la consommation de circuit Ec qui est plus grande que celle du SISO
[51]. Plusieurs études dans les réseaux de capteurs ont montré qu’à partir d’une certaine
distance d, un système MIMO coopératif basé sur le code d’Alamouti consomme moins
d’énergie qu’un système SISO malgré ces pénalités [46], [51], [52].
Dans notre étude, les précodeurs max-dmin et P-OSM exploitent la CSI pour améliorer
les performances de systèmes MIMO. Leur premier potentiel consiste à diminuer encore
84
le paramètre Eb /N0 par rapport aux codes OSTBC tout en assurant le même TEB (figure
4.3). Cela conduit à consommer moins d’énergie de transmission Ppa .
2- Le paramètre Rb :
On définit Rb comme :
Rb = R.m.B (4.7)
où m = log2 (M) avec M est la taille de la constellation, B est la bande passante de
la modulation (B ≈ T1s , Ts est le temps symbole) et R est le rendement du système
MIMO défini dans le chapitre 2 (cf. paragraphe 2.2.1). R prend une valeur de 2 pour les
précodeurs max-dmin et P-OSM (2 symboles émis sur une période symbole) alors que le
meilleur rendement des codes OSTBC est égal à 1 pour le code d’Alamouti avec nt = 2.
Lorsque nt > 2, les codes OSTBC n’existent que pour des rendements inférieurs à 1 (3/4
ou 1/2). Ainsi, ces codes entrainent une perte significative de débit Rb .
Le deuxième potentiel des précodeurs est alors le multiplexage spatial qui consiste à
augmenter l’efficacité spectrale du système tout en utilisant la même modulation pour
les symboles émis et la même bande de fréquence. Grâce à cette efficacité spectrale des
précodeurs en comparaison avec les codes OSTBC, il est possible de réduire le temps de
transmission dans les réseaux ce qui conduit à diminuer la consommation d’énergie du
circuit.
La figure 4.3 montre un exemple d’évolution du TEB pour les précodeurs max-dmin
et P-OSM avec une CSI complète et quantifiée sur 7 bits en fonction de Eb /N0 , pour un
système MIMO 4×4 dans un canal de Rayleigh. Elle présente également le TEB des codes
OSTBC avec un rendement de 3/4. Notons qu’une MAQ-4 est toujours utilisée pour les
précodeurs ce qui donne une efficacité spectrale de 4 bits/s/Hz alors que les codes OSTBC
utilisent une MAQ-16 pour assurer le maximum du débit possible ; l’efficacité spectrale
atteinte est alors de 3 bits/s/Hz. L’information retournée est quantifiée comme suit (cf.
paragraphe 3.5) : pour le précodeur max-dmin , n1 = 7 bits et pour le précodeur P-OSM :
nθ = 2, nθ1 = 1, nk = 1, nSA = 3.
La figure 4.3 montre que la quantification introduit une perte de Eb /N0 de 1, 4 dB
pour le max-dmin et 2 dB pour le P-OSM pour un TEB cible de 10−4 . En effet, les Eb /N0
sont respectivement 2, 5 dB, 5, 1 dB et 6, 8 dB pour les max-dmin, P-OSM et les codes
OSTBC. Ces résultats indiquent l’intérêt des précodeurs même avec un canal de retour
limité.
3- Le paramètre ξ :
Enfin, le paramètre ξ (PAR) dans l’équation (4.3) dépend de la modulation et est défini
comme le rapport entre la puissance crête et la puissance moyenne de la constellation
√ [117]. Par exemple, pour les codes OSTBC avec une MAQ-M, ξ est égal à 3(M −
[114],
2 M + 1)/(M − 1). Ce calcul n’est plus valide pour les précodeurs car chaque signal émis
85
−1
10

Max−dmin quantifié, 7 bits
P−OSM quantifié, 7 bits
OSTBC
−2
10
TEB
−3
10
1,4 dB 2 dB
−4
10
−4 −2 0 2 4 6 8
Eb /N0
Figure 4.3 - Comparaison des TEB des précodeurs max-dmin et P-OSM et codes OSTBC pour
une CSI complète et quantifiée avec 7 bits de retour
devient un signal composite à cause du traitement effectué. Ce signal dépend alors des
matrices de précodages qui sont calculées selon l’état du canal MIMO considéré (nt × nr ).
En fait, les valeurs du PAR pour les systèmes MIMO précodés ne sont pas faciles à
obtenir analytiquement [118]. Ainsi, nous avons trouvé ces valeurs à l’aide d’une analyse
empirique pour chaque configuration (nt × nr ) MIMO utilisée. Pour un système classique
non précodé comme le système MIMO OSTBC avec une MAQ-4, ξ est égal à 1. Lorsque
les précodeurs sont appliqués et pour un système MIMO 4 × 4, le P-OSM assure encore
cette valeur alors que le max-dmin a un PAR plus pénalisant et égal à 1, 6. Le tableau
4.1 montre les valeurs du PAR calculées pour plusieurs configurations MIMO avec une
MAQ-4.
2×2 2×4 3×3 4×4

P-OSM 1,45 1,1 1,1 1
max-dmin 1,5 1,3 1,6 1,6
Table 4.1 - Valeurs du PAR calculées numériquement pour les précodeurs pour une MAQ-4
86
4.3 Mise en œuvre des précodeurs

Dans cette section, nous présentons les systèmes coopératifs proposés lors de notre
étude pour les précodeurs max-dmin et P-OSM. En général, pour évaluer les performances
d’un système MIMO coopératif dans les résaux de capteurs, nous avons besoin de deux
critères principaux [51]. Ce sont la consommation d’énergie et le délai de transmission.
Ainsi, nous expliquons comment calculer la consommation d’énergie et le délai de trans-
mission dans chaque système proposé.
4.3.1 Le précodeur max-dmin

Sur la figure 4.4, nous proposons un système de communication pour le précodeur
max-dmin [92]. Chaque nœud dans le cluster a L bits à transmettre au DGN ce qui donne
un nombre totale de nt .L bits à envoyer. La transmission locale (étape 1) sur des distances
courtes dm considère un canal SISO gaussien (AWGN) et une modulation MAQ-16 [119].
La MAQ-16 permet de diminuer la consommation des circuits en réduisant le temps de
transmission. Si les capteurs sont situés dans un environnement dense, le canal de Rayleigh
peut être considéré pour la transmission locale [46].
Contrainte d’énergie pas de contrainte d’énergie
1
2
dm 3 DGN
Cluster
1 Transmission locale 2 Initialisation (p.nt symboles d’apprentissage)
3 Canal de Feedback (NF b ) bits 4 Transmission des paquets
Figure 4.4 - Principe du MIMO coopératif avec précodage
Les nœuds à l’émission doivent connaı̂tre la CSI avant de transmettre les paquets
de données au DGN. Pour cela, une phase d’initialisation (étape 2) doit d’abord être
effectuée où les nœuds coopèrent en mode OSTBC et débutent la transmission en envoy-
ant des symboles d’apprentissage (p.nt symboles) nécessaires pour l’estimation du canal
(les codes OSTBC nécessitent seulement la CSI à la réception). Cette opération permet
87
au DGN d’estimer le canal et d’envoyer la CSI quantifiée aux nœuds (étape 3). Après
avoir reçu l’information de retour, les nt nœuds transmettent leurs paquets en utilisant
le précodeur MIMO au DGN sur une distance d ≫ dm (transmission réelle des données,
étape 4) et un canal de Rayleigh. Pour les paquets suivants, les symboles d’apprentissage
sont insérés permettant la poursuite de l’estimation du canal.
L’énergie totale consommée pour tous les bits envoyés par le système MIMO coopératif
s’écrit :
ECoopPrécodeur = ELoc + EInit + EFb + ET M (4.8)
où les différentes énergies consommées correspondent à :
- la transmission locale, ELoc est calculée en utilisant le modèle présenté précédemment

mais avec d = dm , un seul émetteur et nr = (nt − 1) récepteurs :
Ppa + Pc
ELoc = Np ( ) où Pc = PcT x + (nr − 1)PcRx (4.9)
RbeffLoc
où Np = nt .L est le nombre total de bits dans tous les paquets envoyés et Ppa est calculée
selon (4.3) pour une transmission sur un canal SISO AWGN et une modulation MAQ-16.
- la phase d’initialisation EInit :

Ppa + Pc
EInit = NT s ( ) où Pc = nt .PcT x (4.10)
RbOSTBC
où NT s est le nombre de bits d’apprentissage et Ppa est calculée selon (4.3) pour une
transmission MIMO OSTBC sur un canal MIMO (nt × nr ) de Rayleigh et une modulation
MAQ-4.
- le canal de retour (Feedback) EF b :

PcRx
EFb = (NF b .nt . ) .Npacket (4.11)
Rb
où les nt nœuds agissent comme des récepteurs, NF b est le nombre de bits dans le canal de
retour et Npacket est le nombre de paquets à envoyer. Dans notre étude, nous considérons
une estimation par paquet et un retour parfait de bits, c’est-à-dire, sans erreur.
- la transmission MIMO des paquets de données ET M en utilisant le précodeur :

Ppa + Pc
ET M = Np ( ) où Pc = nt .PcT x (4.12)
Rbeffprécodeur
où Ppa est calculée selon (4.3) pour une transmission avec précodeur sur un canal MIMO
(nt × nr ) de Rayleigh.
88
4.3.2 Le précodeur P-OSM

Pour nt égal à 2 antennes, la mise en place du P-OSM est la même que pour le max-dmin.
Lorsque nt > 2, le précodeur P-OSM doit être associé à une méthode de sélection d’an-
tennes [85] qui est effectuée au DGN après l’estimation complète du canal MIMO (nt ×nr ).
Cependant, le P-OSM n’utilise que deux antennes sur nt disponibles et l’estimation doit
être complète, c’est-à-dire, pour toutes les antennes. Pour y remédier, nous proposons
plusieurs configurations possibles basées sur une alternance entre le P-OSM et les codes
OSTBC [92] :
- Configuration 1 :
Les nœuds transmettent leur premier paquet en utilisant les codes OSTBC ce qui per-
met au DGN d’estimer le canal MIMO (nt × nr ) et de renvoyer son estimation quantifiée.
Les nœuds transmettent ensuite leur deuxième paquet en utilisant le précodeur P-OSM
sur deux antennes parmi les nt antennes (figure 4.5.a). Les paquets de données sont en-
suite envoyés en alternant les codes OSTBC et le P-OSM. Les paquets envoyés par les
codes OSTBC contiennent des données ainsi et des symboles d’apprentissage alors que
les paquets envoyés par le POSM contiennent uniquement des données. La modulation
utilisée pour les codes OSTBC est une MAQ-4 ce qui donne une efficacité spectrale égale
à : (R. log2 (M)∣OSTBC + R. log2 (M)∣P-OSM )/2 = (3/4 × 2 + 2 × 2)/2 = 2, 75 bits/s/Hz.
Il s’agit de la même que la configuration 1 mais les codes OSTBC utilisent une MAQ-
16 ce qui donne une efficacité spectrale égale à (3/4 × 4 + 2 × 2)/2 = 3, 5 bits/s/Hz.
1er paquet 2ème paquet 3ème paquet 4ème paquet
OSTBC P-OSM OSTBC P-OSM

nt antennes 2 antennes nt antennes 2 antennes
(a) Configurations 1 et 2
Symboles Symboles
d’apprentissage 1er paquet d’apprentissage 2ème paquet
P-OSM P-OSM
OSTBC OSTBC
2 antennes 2 antennes
nt antennes nt antennes
(b) Configuration 3
Figure 4.5 - Précodeur POSM coopératif avec nt > 2
89
L’énergie totale consommée dans les configurations 1 et 2 est

ECoopPOSM1-2 = ELoc + EF b + ET M 1 + ET M 2 (4.13)
avec :
- EFb telle que :

NFb .nt .PcRx Npacket
EFb = ( ). (4.14)
Rb 2
- ET M 1 , l’énergie consommée pendant l’utilisation des codes OSTBC :
Ppa + Pc Np
ET M 1 = ( effOSTBC
). où Pc = nt .PcT x (4.15)
Rb 2
où Ppa est calculée selon (4.3) pour une transmission MIMO OSTBC sur un canal MIMO
de Rayleigh et une modulation MAQ-4 ou MAQ-16 selon la configuration considérée.
- ET M 2 , l’énergie consommée pendant l’utilisation du précodeur P-OSM :

Ppa + Pc Np
ET M 2 = ( ). (4.16)
Rbprécodeur 2
où Pc = 2.PcT x car le P-OSM ne transmet que sur deux antennes parmi les nt antennes et
Ppa est calculée selon (4.3) pour une transmission MIMO avec précodeur P-OSM sur un
canal MIMO de Rayleigh et une modulation MAQ-4.
Les codes OSTBC sont sollicités pour envoyer seulement les p.nt symboles d’apprentis-
sage afin d’estimer le canal et ils ne sont pas utilisés pour envoyer les paquets de données.
Une modulation MAQ-4 est utilisée pour les codes OSTBC. L’efficacité spectrale pour la
transmission de données est égale à 4 bits/s/Hz car les paquets de données sont seulement
envoyés par le P-OSM (figure 4.5.b). L’énergie totale consommée dans ce cas est :
ECoopPOSM-3 = ELoc + Npacket .EInit + EF b + ET M 2 (4.17)
où EInit et EF b sont calculées comme dans le cas du précodeur max-dmin, et ET M 2 :
Ppa + Pc
ET 2 = Np ( ) (4.18)
Rbprécodeur
où Pc = 2.PcT x (2 antennes) et Ppa est calculée selon (4.3) pour une transmission MIMO
avec précodeur P-OSM.
Enfin, nous rappelons l’énergie totale consommée pour envoyer le même nombre de
bits Np par les systèmes étudiés dans la littérature, à savoir [46], [51] :
90
1- Le système coopératif basé uniquement sur les codes OSTBC :

Ppa + Pc
ECoopOSTBC = ELoc + Np ( ) où Pc = nt .PcT x (4.19)
RbeffOSTBC
Dans ce cas, deux étapes sont seulement nécessaires : la transmission locale et la trans-
mission MIMO des paquets en utilisant les codes OSTBC.
2- Le système SISO classiquement considéré dans les réseaux de capteurs :

Ppa + Pc
ESISO = Np . ( ) où Pc = PcT x (4.20)
RbeffSISO
Notons que ELoc est la même pour tous ces systèmes coopératifs, Rbeff- est seulement
considéré lorsque les symboles d’apprentissage sont insérés dans les paquets de données
et la consommation d’énergie au DGN n’a pas été prise en compte dans les calculs car
celui-ci n’a pas de contrainte d’énergie.
4.3.3 Délai de transmission

Nous expliquons maintenant le deuxième critère permettant d’évaluer les performances
des systèmes coopératifs. Le délai total de transmission est défini comme le temps total
nécessaire pour transmettre tous les bits de données du cluster au DGN. Il est égal à
la somme des temps passés dans chaque étape de transmission dans le système étudié
(transmission locale, initialisation, canal du retour, transmission des paquets).
Nous montrons ici comment calculer le délai total de transmission pour un système
SISO classique et pour le max-dmin coopératif sachant que le délai de transmission pour les
autres systèmes MIMO coopératifs est calculé de manière similaire en considérant chaque
fois toutes les étapes de transmission dans le système étudié.
Le délai total de transmission pour le système SISO (TSISO ) est [51] :

Np
TSISO = TseffSISO ( ) (4.21)
mSISO
Le délai total de transmission pour le max-dmin coopératif (TCoopMaxdmin ) est calculé en
prenant en compte les quatre étapes de transmission dans (4.8) :
Np NT s
TCoopMaxdmin = TseffLoc ( ) + TsInit ( )+
mLoc mInit
(4.22)
Npaquet .NF b Np
+ TsF b ( ) + TseffMaxdmin ( )
mF b mMaxdmin
{−}
Dans (4.21) et (4.22), Ts est en général le temps symbole, l’indice {−} indique l’étape
de transmission considérée. Ce temps devient effectif à cause de l’insertion des symboles
91
d’apprentissage dans les paquets de données. Par exemple, Ts ≈ B1 est le temps symbole
pour le système SISO alors que TseffSISO ≈ B1eff est le temps symbole effectif où Beff =
( F −p.n
F
t
) B.
D’autre part, la variable m{−} = log2 (M), l’indice {−} indique l’étape de transmission
considérée ce qui permet de connaı̂tre la taille M de la modulation utilisée dans cette
étape, par exemple, mLoc = log2 (16), mInit = log2 (4), mMaxdmin = log2 (4).
Dans le cas des systèmes MIMO, il faut prendre en compte le rendement du système
R dans le calcul du temps symbole, par exemple :
TsInit ≈ 1
R.B où R = 1 ou 3/4 selon les codes OSTBC utilisés.
TseffMaxdmin ≈ 1
Beff où Beff = ( F −p.n
F
t
) 2B, R=2 pour les précodeurs.
4.4 Étude des performances des systèmes coopératifs

proposés
Nous évaluons par la suite la consommation d’énergie et le délai de transmission des
systèmes proposés en prenant comme référence le système MIMO OSTBC coopératif
présent dans la littérature. Nous considérons les mêmes paramètres de modèle d’énergie
utilisés dans [51] et [114] où les auteurs ont choisi une fréquence de 2,5 GHz dans la bande
ISM (industriel, scientifique, et médical) comme un exemple d’étude. Ces paramètres sont
présentés dans le tableau 4.2. Nous pouvons utiliser les modèles développés dans [114] pour
estimer les valeurs des puissances PDAC , PADC et PIFA .
Gt .Gr = 5 dBi η = 0, 35
fc = 2, 5 GHz Nr = −161 dBm/Hz
B = 10 kHz Psynth = 50 mW
Pfilt = Pfilr = 2, 5 mW PLNA = 20 mW
Ml = 40 dB Pmix = 30, 3 mW
Table 4.2 - Paramètres de modèle d’énergie
Nous choisissons les autres paramètres à titre d’exemple tel que, L = 104 bits, nt = nr =
4 antennes (MIMO 4 × 4), NF b = 7 bits, p = 10 symboles, F = 500 symboles, dm = 10 m
et β = 3, 5 une valeur typique dans un environnement dense [46]. La distance dm dans le
cluster dépend des positions réelles des capteurs dans l’environnement. Ici, dm = 10 m a
été choisie de manière aléatoire comme dans [115]. Notons que les paramètres nt , L, NF b ,
F et p peuvent changer dans certains exemples étudiés, cela sera indiqué dans le texte et
92
dans les légendes des figures.

L’énergie calculée représente l’énergie totale consommée pour transmettre L bits avec
un TEB de 10−4 sur un canal de Rayleigh de chaque nœud au DGN sur une distance
variable d. Les valeurs de Eb /N0 requises pour assurer ce TEB sont obtenues à partir
de la figure 4.3. L’efficacité spectrale ciblée du système est 4 bits/s/Hz. De plus, la syn-
chronisation et l’estimation de canal sont supposées parfaites et le canal est invariant par
paquet.
4.4.1 Étude des configurations du système P-OSM coopératif

Dans le paragraphe 4.3.2, nous avons proposé trois configurations pour le système
P-OSM coopératif lorsque nt > 2. Afin de choisir la meilleure configuration, nous allons
évaluer la consommation d’énergie (figure 4.6) et le délai de transmission (tableau 4.3)
pour ces trois configurations.
160
P−OSM Config.1
P−OSM Config.2
140 P−OSM Config.3
120
Énergie totale (Joules)
100
80
60
40
20
0
0 20 40 60 80 100 120 140 160 180
Distance d (Mètres)
Figure 4.6 - Consommation totale d’énergie pour les trois configurations coopératives du P-
OSM
P-OSM délai (seconde)

Configuration-1 2,97
Table 4.3 - Délais pour les trois configurations coopératives du P-OSM
La configuration 1 présente la meilleure consommation d’énergie mais avec le délai le

plus important (2,97 secondes) à cause d’une faible efficacité spectrale. La configuration 2
93
présente une consommation d’énergie élevée avec un délai plus faible (2,25 secondes) car
elle applique une MAQ-16 pour les codes OSTBC ce qui réduit le temps de transmission.
En revanche, la configuration 3 donne le meilleur délai (2,16 secondes) en consommant
légèrement plus que la configuration 1. Cette petite différence peut être ignorée devant le
gain obtenu par le délai. La configuration 3 est la seule qui assure une efficacité spectrale
de 4 bits/s/Hz dans la transmission de données où le précodeur P-OSM est exploité. Les
codes OSTBC ne sont sollicités que pour transmettre les p.nt symboles d’apprentissage
qui sont négligeables devant les symboles de données.
En conclusion, nous considérons que la configuration 3 offre le meilleur compromis
consommation/délai et sera celle retenue par la suite pour le système P-OSM coopératif.
Néanmoins, en présence d’une certaine erreur de synchronisation, la configuration 1 peut
être utilisée comme on le montrera plus tard.
4.4.2 Répartition de la consommation d’énergie Epa et Ec

Dans ce paragraphe, nous montrons que l’application d’un système MIMO coopératif
dans les réseaux de capteurs est plus efficace pour les grandes distances d. Nous présentons
ensuite l’énergie consommée dans les circuits Ec pour les systèmes coopératifs max-dmin ,
P-OSM et OSTBC.
Nous calculons d’abord le pourcentage de répartition d’énergies Epa et Ec dans la
consommation totale d’énergie pour un système SISO (figure 4.7). Soulignons que l’énergie
consommée dans les circuits Ec est indépendante de la distance d et du β contrairement à
l’énergie de transmission Epa (cf. paragraphe 4.2.1). Ainsi, sur la figure 4.7 (a,b et c), Ec
est toujours la même alors que Epa augmente en fonction des d et β. On remarque que pour
un exposant d’atténuation égal à β = 2 (espace libre) et pour d = 10 m (courte distance),
l’énergie consommée dans les circuits Ec domine la consommation totale d’énergie : figure
4.7(a). Pour la même valeur de β et pour une distance plus grande (d = 100 m), l’énergie
totale consommée est dominée par l’énergie de transmission Epa : figure 4.7(b). Cette
dernière va être beaucoup plus dominante pour une valeur typique de β = 3, 5 dans un
environnement dense [46] et pour la même distance (d = 100 m) : figure 4.7(c).
Ec
Epa
(a) d = 10 m, β = 2 (b) d = 100 m, β = 2 (c) d = 100 m, β = 3, 5

Figure 4.7 - Répartition des énergies Epa et Ec pour un système SISO
Dans ce cas, comme nous l’avons expliqué dans le paragraphe 4.2.2, les techniques
94
MIMO peuvent réduire l’énergie de transmission Epa , dominante à grande distance, grâce
à leurs performances élevées dans les canaux à évanouissement.
Dans les systèmes MIMO coopératifs (max-dmin , P-OSM et codes OSTBC), l’énergie
Ec consommée dans les circuits est plus importante que celle d’un système SISO à cause
de la consommation de coopération supplémentaire. La figure 4.8 présente l’énergie Ec
pour les trois systèmes MIMO coopératifs ainsi que pour le SISO.
Bien que les systèmes coopératifs max-dmin et P-OSM demandent des étapes supplémen-
taires pour la transmission (initialisation, canal de retour), l’énergie Ec est légèrement plus
faible que l’énergie Ec consommée dans le système coopératif OSTBC. Cela s’explique par
le fait que les précodeurs présentent un multiplexage spatial (R = 2) plus important que
les codes OSTBC ce qui réduit l’énergie Ec (Ec = Pc /Rb , Rb = R.b.B). De plus, la quantifi-
cation des précodeurs permet de limiter le nombre de bits envoyés dans le canal de retour
de l’ordre de quelques bits. Par conséquent, la portion supplémentaire de l’énergie Ec con-
sommée dans le canal de retour devient très faible en comparaison avec celle consommée
pendant la transmission de données. Cependant, l’énergie Ec du précodeur P-OSM est
encore plus faible car la sélection d’antennes dans ce précodeur permet de diminuer le
nombre de circuits utilisés dans la transmission.
Néanmoins, toutes ces énergies seront négligeables devant l’énergie de transmission
Epa dominante pour les longues distances.
Ec (joules)
OSTBC Maxdmin P-OSM SISO
Figure 4.8 - Énergie Ec dans les systèmes MIMO coopératifs et SISO
4.4.3 Système coopératif OSTBC vs système SISO

Comme nous l’avons dit, l’efficacité énergétique du système coopératif OSTBC a été
déjà confirmée en comparaison de celle du système SISO classiquement utilisé dans les
réseaux de capteurs [46], [51], [52], [53], [54], [55]. Ici, nous rappelons rapidement cette
95
étude. La figure 4.9 compare la consommation d’énergie du système MIMO coopératif

basé sur les codes OSTBC avec celle du système SISO. La consommation d’énergie du
système SISO est calculée selon (4.20) pour nt = 4 liaisons SISO.
Pour β = 2 (espace libre), nous pouvons observer que pour d < 31 m, le système
MIMO OSTBC est moins efficace en terme d’énergie consommée que le système SISO à
cause de la consommation de coopération supplémentaire. En revanche, lorsque d > 31 m,
l’énergie de transmission économisée par le MIMO devient plus importante que ce coût
supplémentaire et le MIMO OSTBC est plus efficace.
Néanmoins, pour une valeur typique de β = 3, 5, cette distance est beaucoup plus
faible, d = 7 m. Le MIMO OSTBC est toujours plus efficace en terme de consommation
d’énergie.
Le tableau 4.4 montre les délais de transmission. Comme prévu, le SISO a un délai de
transmission plus faible que le MIMO OSTBC coopératif à cause du délai supplémentaire
dans la transmission locale. Ce délai peut avoir une faible importance en comparaison
avec la grande quantité d’énergie économisée par le MIMO OSTBC coopératif.
SISO, Beta =2
8 OSTBC, Beta =2
SISO, Beta =3,5
OSTBC, Beta =3,5
7
4 d=7 m
d= 31 m
0
50 100 150 200 250 300 350 400
Figure 4.9 - Consommation totale d’énergie des systèmes MIMO OSTBC coopératif et SISO
délai (seconde)
SISO 1
MIMO OSTBC 2,47
Table 4.4 - Délais des systèmes SISO et MIMO OSTBC coopératif
96
Ces résultats confirment aussi le fait que l’utilisation d’un système MIMO coopératif
est plus efficace pour les grandes distances d. Par la suite, nous nous intéressons à étudier
les efficacités énergétiques des systèmes coopératifs proposés précédemment et à les com-
parer avec celles des codes OSTBC qui servent de référence.
4.4.4 Comparaisons des systèmes coopératifs max-dmin , P-OSM

et OSTBC
La figure 4.10 et le tableau 4.5 présentent respectivement la consommation totale
d’énergie et le délai de transmission de ces trois systèmes MIMO coopératifs.
160
OSTBC
Max−dmin
P−OSM
140
120
100
66 %
80
60
40
20
0
0 20 40 60 80 100 120 140 160 180
Figure 4.10 - Consommation totale d’énergie des MIMO coopératifs max-dmin , P-OSM et
OSTBC
délai (seconde)
max-dmin 2,11
P-OSM 2,16
OSTBC 2,47
Table 4.5 - Délais des systèmes MIMO coopératifs max-dmin , P-OSM et OSTBC
Il ressort que le système MIMO coopératif basé sur les précodeurs max-dmin et P-OSM
donnent les meilleures performances en termes de consommation d’énergie et de délai de
transmission en comparaison avec le MIMO OSTBC et ceci, malgré la mise en place du
lien retour.
Cela est dû aux différentes améliorations apportées par les précodeurs telles que le
rapport Eb /N0 et l’efficacité spectrale. De plus, la quantification (NF b = 7 bits retournés)
97
permet de réduire efficacement l’énergie et le délai dans le canal de retour tout en con-
servant des performances raisonnables de TEB. Par exemple, pour une distance d = 150
m, 66 % de l’énergie est économisée. Notons que les deux précodeurs présentent des per-
formances similaires en terme de consommation d’énergie alors que le max-dmin assure
un Eb /N0 plus faible que celui du P-OSM (figure 4.3). Cela s’explique par le fait que
le max-dmin est pénalisé par un PAR plus grand (1 pour P-OSM et 1,6 pour max-dmin ,
tableau 4.1) ce qui augmente sa consommation d’énergie (Ppa , Eq. 4.3).
Évaluons maintenant la consommation d’énergie en augmentant légèrement le nombre

de bits disponibles dans le canal de retour pour la quantification des précodeurs (NF b = 10
bits). Pour cette quantification, seul le précodeur P-OSM est disponible alors que nous
n’avons pas actuellement un dictionnaire pour le max-dmin avec NF b = 10 bits et un MIMO
4 × 4 (cf. paragraphe 3.3.4.2).
La figure 4.11 présente la consommation d’énergie des systèmes MIMO coopératifs
P-OSM (NF b = 7 et 10 bits) et OSTBC.
160
OSTBC
P−OSM, 10 bits retournés
140 P−OSM, 7 bits retournés
120
100
76 %
80
60
40
20
0
0 20 40 60 80 100 120 140 160 180
Figure 4.11 - Consommation totale d’énergie des systèmes MIMO coopératifs

P-OSM (NF b = 7 et 10 bits) et OSTBC
On observe qu’en augmentant légèrement NF b de 7 à 10 bits, le P-OSM assure un

Eb /N0 plus faible pour le même TEB de 10−4 ce qui conduit à économiser plus d’énergie.
Ainsi, pour la même distance d = 150 m, 76 % de l’énergie est économisée au lieu de 66 %.
Nous avons considéré jusqu’à présent que nt > 2 (nt = 4 antennes ou nœuds) où la con-
figuration 3 a été choisie pour le P-OSM coopératif. Cependant, il est important d’étudier
le cas particulier pour nt = 2 car le système coopératif du P-OSM est la même que pour
98
le max-dmin (cf. figure 4.4).
- Cas de nt = 2 nœuds :
Lorsque nt = 2, nous avons montré dans le chapitre 2 que les précodeurs max-dmin
et P-OSM présentent des performances de TEB similaires avec une CSI complète. Dans
le chapitre 3 (figure 3.14), nous avons vu que le max-dmin présentait un TEB proche de
celui de la CSI complète pour seulement NF b = 3 bits. Pour ce même NF b , le P-OSM est
fortement dégradé car nous n’avons que 2 bits pour quantifier les deux angles nécessaires
pour le précodeur (NF b = nθ + nθ1 + nk et nk = 1 bit). Nous jugeons ce cas très pénalisant
pour ce précodeur et il ne sera pas considéré dans le P-OSM coopératif. Par contre, pour
NF b = 6 bits le P-OSM a assuré le même TEB que celui du max-dmin pour NF b = 3
bits (figure 3.14). Ainsi, nous allons évaluer leur comportement coopératif en considérant
nt = 2 nœuds dans le cluster.
La figure 4.12 montre la consommation d’énergie des systèmes MIMO coopératifs
max-dmin, P-OSM et OSTBC pour nt = 2 nœuds et nr , toujours égale, à 4. Le nombre
de bits dans le canal de retour NF b est égal à 3 bits pour le max-dmin et à 6 bits pour le
P-OSM.
160
OSTBC
Maxdmin
140 P−OSM
120
100
80
60
40
20
0
0 20 40 60 80 100 120 140 160 180
Figure 4.12 - Consommation totale d’énergie des systèmes MIMO coopératifs max-dmin ,
P-OSM et OSTBC, 2 × 4, NF b = 3 bits pour max-dmin et 6 bits pour P-OSM
On constate que le P-OSM coopératif économise un peu plus d’énergie que le max-dmin
coopératif car le précodeur max-dmin est pénalisé par un PAR plus grand (1,1 pour P-OSM
et 1,3 pour max-dmin, tableau 4.1) même si les deux précodeurs assurent le même TEB
de 10−4 ou même Eb /N0 . Néanmoins, le nombre de bits NF b dans le canal de retour est
99
différent : 3 bits pour le max-dmin et 6 bits pour le P-OSM. Comme on peut l’observer
cette augmentation de NF b a une faible importance sur la consommation d’énergie dans
le canal de retour.
À ce stade, nous avons fixé le paramètre p à 10 symboles d’apprentissage et la taille

de paquet F à 500 symboles. Par la suite, nous changeons ces paramètres et analysons le
lien entre eux.
- Remarque sur la taille de paquet F et la valeur de p
Rappelons que le paquet à transmettre est composé de deux parties : les données à
envoyer et les symboles d’apprentissage nécessaires pour l’estimation du canal. Nous avons
considéré que la taille de paquet est égale à F symboles et que, dans chaque paquet, p.nt
symboles d’apprentissage sont insérés (p symboles émis par chaque nœud) [46].
Dans les résultats précédents, la valeur de p était égale à 10 symboles ce qui peut
représenter une grande valeur de p [46], [120]. Cela donne un total de p.nt = 40 symboles
d’apprentissage insérés dans chaque paquet de données de taille F égale à 500 symboles.
Toutefois, cette valeur peut être inférieure à 10 [46]. Ainsi, on peut noter que la taille de
paquets de données F devrait être assez grande devant les p.nt symboles d’apprentissage
afin d’obtenir les bonnes performances envisagées de ces systèmes coopératifs. En effet, ce
n’est pas logique par exemple d’avoir autant de symboles d’apprentissage que de symboles
de données dans le paquet de taille F . Dans ce cas, une bonne partie de la consommation
d’énergie sera consacrée à la transmission des symboles d’apprentissage.
Par ailleurs, la taille de paquet F est pratiquement liée avec le temps de cohérence du
canal Tc . Rappelons que Tc indique la durée pendant laquelle la réponse impulsionnelle
du canal peut être considérée comme invariante. Par conséquent, le meilleur cas en terme
de consommation d’énergie est de considérer que F est égale à Tc /Ts où Ts est le temps
symbole et le canal est invariant par paquet.
Nous allons maintenant évaluer la consommation d’énergie des systèmes précédents

avec d’autres valeurs pour F et p. Dans les résultats précédents, nous avons Np = nt .L =
4 × 104 bits à envoyer du cluster au DGN, nous avons supposé que F = 500 symboles
dont 40 symboles pour l’apprentissage. Nous considérons maintenant que L = 100 bits,
Np = 4 × 102 = 400 bits, F = 100 symboles et p = 3 ce qui donne p.nt = 3 × 4 = 12 symboles
d’apprentissage insérés dans chaque paquet.
La figure 4.13 montre la consommation d’énergie des systèmes coopératifs max-dmin ,

P-OSM et OSTBC. On constate que les précodeurs coopératifs sont toujours performants
en terme de consommation d’énergie.
100
OSTBC
Maxdmin
2.5 P−OSM
1.5
0.5
0
0 20 40 60 80 100 120 140 160 180
Figure 4.13 - Consommation totale d’énergie des systèmes MIMO coopératifs max-dmin ,
P-OSM et OSTBC, 4 × 4, F = 100 et p = 3 symboles
4.5 L’effet de l’erreur de synchronisation
Dans les résultats précédents, nous avons considéré une synchronisation parfaite entre
les nœuds dans le cluster. Les précodeurs coopératifs ont présenté une bonne efficacité
énergétique en comparaison des codes OSTBC coopératifs. Cependant, contrairement au
système MIMO classique, les nœuds (ou antennes) coopératifs sont physiquement séparés
dans le cluster ce qui peut entrainer une désynchronisation de leurs horloges. Dans ce cas,
les nœuds coopératifs ne transmettent pas simultanément leurs données au DGN mais avec
un décalage temporel, ce qui introduit une erreur de synchronisation lors de la transmission
de données. À la réception au DGN, cela génère de l’interférence entre symboles (IES) et
réduit l’amplitude du signal reçu utile [121]. En effet, l’erreur de synchronisation dégrade
les performances des MIMO coopératifs. Pour le même Eb /N0 , le TEB va augmenter, ce
qui induit une augmentation de la puissance de transmission et donc de la consommation
d’énergie pour assurer le TEB cible.
L’effet de l’erreur de synchronisation a été étudié dans le système MIMO coopératif

OSTBC [121], [122], [123], [124]. Les résultats ont montré que le système MIMO OSTBC
coopératif résiste bien à une faible erreur de synchronisation.
Dans cette partie, nous étudions l’effet de l’erreur de synchronisation sur les MIMO
max-dmin et P-OSM coopératifs. Nous montrons si ces précodeurs coopératifs restent tou-
jours performants en terme de consommation d’énergie en présence de cette erreur.
101
4.5.1 Modèle de système avec une erreur de synchronisation

Dans le cluster, les nœuds coopèrent afin de transmettre simultanément les données
au DGN. En raison de l’erreur de synchronisation entre les nœuds, un nœud i va trans-
mettre son signal avec un délai (Ti ). À la réception, chaque antenne j (j = 1, ..., nr ) reçoit
une superposition de signaux venant de chaque nœud dans le cluster. Afin d’analyser ce
problème, nous supposons que le nœud 1 représente l’horloge de référence dans le cluster,
c’est-à-dire : (T1 = 0). De cette manière, l’erreur de synchronisation du nœud i relative-
ment au nœud de référence peut être considérée comme (△i = Ti − T1 ). Ainsi, le signal
reçu sur l’antenne j est alors [121] :
nt ∞
yj (t) = ∑ ∑ si [l]h̃ji p(t − lTs − △i ) + nj (t) (4.23)
i=1 l=−∞
où si [l] est le symbole numéro l de la séquence des symboles modulés à l’émission par le
nœud i, hji est le coefficient complexe du canal, Ts est le temps symbole, nj (t) est le bruit
blanc gaussien, △i est l’erreur de synchronisation en référence au nœud 1 et p(t) est le
filtre de mise en forme en cosinus surélevé.
En raison de l’erreur de synchronisation, le signal reçu, qui représente une super-
position des impulsions de chaque nœud décalé par △i , n’est pas conforme au critère
de Nyquist ce qui conduit à de l’interférence entre symboles [8]. Afin d’analyser les
performances du système, nous supposons que l’erreur de synchronisation △i suit une
loi aléatoire dans [−Tsyn /2, Tsyn /2] où Tsyn varie en fonction du temps symbole Ts :
0 ≤ Tsyn ≤ Ts [121].
4.5.1.1 Exemple de max-dmin

Nous allons présenter par la suite le modèle du système coopératif avec une erreur de
synchronisation. Seul le modèle max-dmin coopératif sera présenté car le P-OSM coopératif
peut être étudié de manière similaire. Nous limitons cette explication à un système 2 × 2
afin de simplifier la présentation, pour une dimension plus grande, le principe peut être
généralisé. Rappelons d’abord l’équation matricielle du précodeur max-dmin :
y = HFv Fd s + n (4.24)
où y[nr ×1]est le signal reçu, s[b×1] est le vecteur de symboles émis, Fv [nt ×b] et Fd [b×b]
sont les matrices de précodage. Le précodeur max-dmin transmet b = 2 symboles pendant
un temps symbole Ts . Nous supposons :
v1 v2 a b s [l]
Fv = ( ) , Fd = ( ) et s = ( 1 ) (4.25)
v3 v4 c d s2 [l]
où l, est comme dans (4.23), l’indice des symboles dans la séquence des symboles modulés :
s1 [1] s1 [2] s1 [3] . . .
( ) (4.26)
s2 [1] s2 [2] s2 [3] . . .
102
Les symboles s1 et s2 sont d’abord mélangés à travers les matrices Fv et Fd avant

d’être envoyés dans le canal H :
v1 (as1 [l] + bs2 [l]) + v2 (cs1 [l] + ds2 [l]) S̄ [l]
Fv Fd s = ( )=( 1 ) (4.27)
v3 (as1 [l] + bs2 [l]) + v4 (cs1 [l] + ds2 [l]) S̄2 [l]
Nous avons ensuite :
y1 h̃ h̃ S̄ [l] n
y=( ) = ( 11 12 ) ( 1 )+( 1 ) (4.28)
y2 h̃21 h̃22 S̄ 2 [l] n2
En considérant le modèle de (4.23) avec une erreur de synchronisation du nœud 2

(△2 ) en référence au nœud 1 (△1 = 0), chaque antenne de réception reçoit l’impulsion de
S̄1 [l] (du nœud 1) et une superposition des impulsions de S̄2 [l] (du nœud 2) décalé dans
le temps. Nous considérons que l’IES est créée par les quatres symboles les plus proches
à S̄2 [l] comme dans [123] alors que d’autres travaux ont considéré les deux symboles les
plus proches [122] (figure 4.14). Ainsi, les signaux reçus au DGN pour t = Ts et l = 1 :
y1 (Ts ) = h̃11 S̄1 [1] + h̃12 S̄2 [1]p(−△2 ) + IES1 + n1 (Ts )

(4.29)
y2 (Ts ) = h̃21 S̄1 [1] + h̃22 S̄2 [1]p(−△2 ) + IES2 + n2 (Ts )
Cluster DGN
h̃11
S̄1 [l] y1 (t) , IES1
1 = 0
h̃12
h̃21
h̃22
S̄2 [l] y2 (t) , IES2
2
S̄2 [−2] S̄2 [−1] S̄2 [1] S̄2 [2] S̄2 [3]
IES
Figure 4.14 - max-dmin coopératif avec IES : exemple pour 2 nœuds
où le filtre de mise en forme en cosinus surélevé passe par zéro aux instants multiples de
Ts (p(Ts ) = p(2Ts ) = p(3Ts ) . . . = 0) et les termes IES1 et IES2 représentent l’interférence
entre symboles exprimés comme :
IES1 = h̃12 (S̄2 [−2]p(2Ts − △2 ) + S̄2 [−1]p(Ts − △2 ) + S̄2 [2]p(Ts + △2 ) + S̄2 [3]p(2Ts + △2 ))
IES2 = h̃22 (S̄2 [−2]p(2Ts − △2 ) + S̄2 [−1]p(Ts − △2 ) + S̄2 [2]p(Ts + △2 ) + S̄2 [3]p(2Ts + △2 ))
(4.30)
103
Selon les équations (4.29) et (4.30), on remarque que pour △2 = 0 (synchronisation

parfaite), les termes IES1 et IES2 deviennent nuls et on retrouve le modèle sans erreur
de synchronisation (p(0) = 1) comme dans (4.28). En revanche, en présence d’une erreur
de synchronisation, les termes IES1 et IES2 apparaissent et l’amplitude du signal utile
diminue ce qui conduit à dégrader les performances du système MIMO coopératif comme
on le évaluera par la suite. Notons que pour un système plus grand, 4 × 4 par exemple, le
modèle du système avec erreur de synchronisation peut être présenté en suivant les mêmes
étapes précédentes.
4.5.2 Performances des systèmes coopératifs

Pour évaluer les performances, nous considérons les mêmes paramètres présentés précé-
demment (cf. section 4.4). Nous supposons que l’erreur de synchronisation △i est uni-
formément distribuée dans [−Tsyn /2, Tsyn /2] et le filtre de mise en forme en cosinus surélevé
a un facteur de retombée égal à 0, 22 [121], [123]. Les performances seront évaluées en vari-
ant Tsyn en fonction du temps symbole (Tsyn = 0, 2Ts , Tsyn = 0, 3Ts , . . .). Nous présentons
d’abord les courbes du TEB en fonction de Eb /N0 pour les précodeurs max-dmin, P-OSM
et les codes OSTBC (MIMO 4 × 4) en présence d’erreur de synchronisation pour plusieurs
valeurs de Tsyn . Le TEB du précodeur max-dmin et P-OSM est calculé en considérant la
quantification de la CSI : NF b = 7 bits.
4.5.2.1 Résultats de TEB
La figure 4.15 montre le TEB des précodeurs max-dmin et P-OSM pour Tsyn = 0, 2Ts ,
0, 3Ts , 0, 4Ts et 0, 5Ts . Le TEB avec une synchronisation parfaite est également présenté
(0Ts ).
Max−dmin 0Ts
Max−dmin 0,2Ts
Max−dmin 0,3Ts
−2
10
Max−dmin 0,4Ts
Max−dmin 0,5Ts
P−OSM 0Ts
P−OSM 0,2Ts
P−OSM 0,3Ts
P−OSM 0,4Ts
TEB
P−OSM 0,5Ts
−3
10
−4
10
−2 0 2 4 6 8 10 12 14
Eb /N0
Figure 4.15 - TEB des précodeurs max-dmin et P-OSM en présence d’erreur de synchronisation
pour un système MIMO 4 × 4 avec NF b = 7 bits
104
On remarque que ces précodeurs sont plutôt tolérants pour une faible valeur de Tsyn =
0, 2Ts . Lorsque Tsyn = 0, 3Ts , le max-dmin reste tolérant avec une faible dégradation égale
à 0, 71 dB de plus pour assurer le TEB cible de 10−4 . Alors que le P-OSM présente une
dégradation importante avec 3, 87 dB de plus. Pour un Tsyn plus grand (0, 4Ts et 0, 5Ts ),
le P-OSM est fortement dégradé et ne peut pas assurer le TEB cible contrairement au
max-dmin qui réalise ce TEB mais avec un Eb /N0 plus grand : 2,5 et 7,9 dB de plus
respectivement. À cause de l’interférence entre symboles, un effet de saturation apparait
pour les grandes valeurs de Eb /N0 .
Les figures 4.16 et 4.17 comparent le TEB des précodeurs max-dmin , P-OSM et les
codes OSTBC en présence d’erreur de synchronisation. Comme les précodeurs max-dmin
et P-OSM, les codes OSTBC sont résistants à une faible valeur de Tsyn = 0, 2Ts . De plus, à
l’instar du P-OSM, les codes OSTBC présentent une dégradation importante à partir de
Tsyn = 0, 3Ts . Le tableau 4.6 résume les pertes de Eb /N0 demandés afin d’assurer le TEB
cible de 10−4 .
0, 2Ts 0, 3Ts 0, 4Ts 0, 5Ts
OSTBC 0,31 dB 2,02 dB 7,7 dB x
max-dmin 0,31 dB 0,71 dB 2,5 7,9 dB
P-OSM 0,3 dB 3,87 dB x x
Table 4.6 - Les pertes de Eb /N0 à cause de l’erreur de synchronisation (x : le TEB cible ne
peut pas être assuré)
−1
10
Max−dmin 0Ts
Max−dmin 0,2Ts
Max−dmin 0,3Ts
P−OSM 0Ts
P−OSM 0,2Ts
P−OSM 0,3Ts
−2 OSTBC 0Ts
10
OSTBC 0,2Ts
OSTBC 0,3Ts
TEB
−3
10
−4
10
−2 0 2 4 6 8 10
Eb /N0
Figure 4.16 - TEB des précodeurs max-dmin , P-OSM et codes OSTBC en présence d’erreur de
synchronisation pour un système MIMO 4 × 4 avec NF b = 7 bits : Tsyn = 0, 2Ts et 0, 3Ts
105
−1
10
Max−dmin 0Ts
Max−dmin 0,4Ts
Max−dmin 0,5Ts
P−OSM 0Ts
P−OSM 0,4Ts
P−OSM 0,5Ts
−2
10 OSTBC 0Ts
OSTBC 0,4Ts
OSTBC 0,5Ts
TEB
−3
10
−4
10
−2 0 2 4 6 8 10 12 14
Eb /N0
Figure 4.17 - TEB des précodeurs max-dmin , P-OSM et codes OSTBC en présence d’erreur de
synchronisation pour un système MIMO 4 × 4 avec NF b = 7 bits : Tsyn = 0, 4Ts et 0, 5Ts
D’après ces résultats, on constate qu’à partir de Tsyn = 0, 3Ts , le max-dmin est le
plus résistant à l’erreur de synchronisation alors que le P-OSM et les codes OSTBC
sont plus sensibles et présentent une dégradation importante. En fait, les techniques P-
OSM et OSTBC sont basés sur la transmission d’une séquence orthogonale de symboles
(cf. chapitre 2). À la réception, le maintien de l’orthogonalité entre les symboles reçus
de plusieurs nœuds est indispensable pour le bon fonctionnement des P-OSM et codes
OSTBC car le récepteur MV découple les symboles reçus et estime chacun de manière
indépendante de l’autre. En présence d’erreur de synchronisation, l’interférence entre sym-
boles apparaı̂t et les symboles reçus de plusieurs nœuds ne sont plus indépendants ce qui
conduit à dégrader le TEB. En revanche, la technique de max-dmin ne repose pas sur
l’orthogonalité entre les symboles reçus. Le max-dmin traite les symboles à transmettre
comme dans (4.27) et envoie un mélange de deux symboles sur chaque nœud. Le récepteur
MV estime ensuite un couple de symboles émis contrairement au cas précédent. Cette
méthode semble moins sensible à l’erreur de synchronisation mais elle demande plus de
calcul (cf. paragraphe 3.5.2).
Dans tous les cas, les trois techniques demandent un Eb /N0 plus grand pour assurer
un certain TEB en présence d’erreur de synchronisation ce qui conduit à augmenter la
consommation d’énergie comme cela va être montré maintenant.
4.5.2.2 Consommation d’énergie

Nous allons évaluer la consommation d’énergie des systèmes MIMO coopératifs en
présence d’erreur de synchronisation. Les paramètres de modèle sont les mêmes que dans
la section 4.4. La configuration 3 est toujours utilisée pour le P-OSM coopératif. La figure
4.18 présente la consommation d’énergie des systèmes coopératifs pour Tsyn = 0, 2Ts .
106
160
OSTBC 0,2Ts
Max−dmin 0,2Ts
P−OSM 0,2Ts
140
OSTBC 0Ts
Max−dmin 0Ts
P−OSM 0Ts
120
100
80
60
40
20
0
0 20 40 60 80 100 120 140 160 180
Figure 4.18 - Consommation totale d’énergie des systèmes coopératifs pour Tsyn = 0, 2Ts
Lorsque Tsyn = 0, 2Ts , on constate une augmentation de la consommation d’énergie.

Cependant, celle-ci reste limitée grâce à la résistance de ces trois techniques à cette faible
erreur de synchronisation. Pour d = 150 m, la consommation d’énergie des systèmes aug-
mentent d’environ 7 %.
Par contre, lorsque Tsyn = 0, 3Ts (figure 4.19), la consommation d’énergie devient plus
importante surtout pour les systèmes P-OSM et OSTBC coopératifs car ils sont plus
sensibles à l’erreur de synchronisation (tableau 4.6). Pour d = 150 m, la consommation
d’énergie des systèmes coopératifs augmentent d’environ 17 % pour le max-dmin , 58 %
pour les OSTBC et 134 % pour le P-OSM.
250
OSTBC 0,3Ts
Max−dmin 0,3Ts
P−OSM 0,3Ts
OSTBC 0Ts
Max−dmin 0Ts
200 P−OSM 0Ts
150
100
50
0
0 20 40 60 80 100 120 140 160 180
Figure 4.19 - Consommation totale d’énergie des systèmes coopératifs pour Tsyn = 0, 3Ts
107
Rappelons qu’avec une synchronisation parfaite, la configuration 3 a été choisie pour

le P-OSM coopératif selon un compromis consommation/délai comparativement à la con-
figuration 1. La configuration 3 a donné le meilleur délai mais en consommant légèrement
plus que la configuration 1 (cf. paragraphe 4.4.1).
En présence d’erreur de synchronisation et à partir de Tsyn = 0, 3Ts , la consommation
d’énergie supplémentaire de la configuration 3 par rapport à 1 ne peut plus être ignorée.
Cela est présenté sur la figure 4.20 où la configuration 3 consomment nettement plus
que la configuration 1. Par exemple, en considérant la configuration 1 à la place de la
troisième pour Tsyn = 0, 3Ts , la consommation d’énergie du système P-OSM coopératif
augmente d’environ 63 % au lieu de 134 % mais avec un délai de 2, 97 secondes au lieu
de 2, 16 secondes pour la configuration 3 (tableau 4.3).
250
P−OSM Config.1
P−OSM Config.2
P−OSM Config.3
200
150
100
50
0
0 20 40 60 80 100 120 140 160 180
Figure 4.20 - Consommation totale d’énergie pour les trois configurations coopératives de
P-OSM en présence d’erreur de synchronisation : Tsyn = 0, 3Ts
4.6 Bilan et conclusion

Dans ce chapitre, nous avons proposé deux systèmes MIMO coopératifs qui permettent
de mettre en place les précodeurs max-dmin et P-OSM avec le canal de retour quantifié.
L’objectif est de réduire la consommation d’énergie dans les réseaux de capteurs. Ce
paramètre peut être défini sous différentes formes telles que la consommation globale de
tous les capteurs ou la préservation de l’énergie d’un capteur important ou la perte de la
connectivité du réseau.
Dans notre étude, ces systèmes MIMO coopératifs conduisent à la réduction de la con-
sommation globale d’énergie. Ils sont comparés avec le système MIMO coopératif à codes
108
spatio-temporels présents dans la littérature. Les résultats ont montré que les systèmes
max-dmin et P-OSM coopératifs consomment moins d’énergie que le système OSTBC
coopératif dans tous les cas étudiés précédemment.
Lorsque nt > 2, nous avons réalisé trois configurations permettant de mettre en place le
P-OSM et la configuration 3 a été choisie selon un compromis consommation/délai. Dans
ce cas, les max-dmin et P-OSM coopératifs présentent les mêmes performances : énergie
et délai (figure 4.10).
Lorsque nt = 2, la mise en place du P-OSM est la même que pour le max-dmin . Même
si les deux précodeurs assurent le même TEB ou même Eb /N0 pour nt = 2, le P-OSM
coopératif consomme moins d’énergie que le max-dmin coopératif car ce précodeur est
pénalisé par un PAR plus grand (figure 4.12). Néanmoins, pour nt = 2, le P-OSM avait
besoin de NF b = 6 bits pour assurer ce résultat alors que NF b = 3 bits sont suffisants pour
le max-dmin.
Rappelons que la quantification de la CSI dans les précodeurs permet de réduire effi-
cacement l’énergie et le délai dans le canal de retour tout en conservant des performances
raisonnables de TEB. Nous avons supposé un nombre faible de bits disponibles (NF b = 7
bits pour un système 4 × 4) dans le canal de retour alors que ce nombre peut en pratique
être plus grand.
Pour NF b = 7 bits et même si les précodeurs ont nécessité un Eb /N0 plus grand pour
assurer un certain TEB (figure 4.3), les systèmes ont économisé plus d’énergie que le
système OSTBC coopératif. En augmentant légèrement NF b à 10 bits, les précodeurs
nécessitent un Eb /N0 plus faible pour assurer le TEB cible ce qui conduit à économiser
encore plus d’énergie que le système OSTBC coopératif (figure 4.11). Notons que seul le
précodeur P-OSM est actuellement disponible pour Eb /N0 > 7 bits et MIMO 4×4. D’autre
part, le P-OSM présente certaines limites lorsque le nombre de bits disponibles dans le
canal de retour est très faible. Par exemple, pour un système MIMO 2 × 4 et NF b = 3
bits, le max-dmin peut assurer une bonne performance de TEB alors que la performance
du P-OSM est fortement dégradée (figure 3.14). Il fallait augmenter NF b à 6 bits pour le
P-OSM afin d’obtenir une bonne performance en terme de consommation d’énergie dans
le système coopératif (figure 4.12).
Les systèmes MIMO coopératifs sont en général sujets à l’erreur de synchronisa-
tion. Nous avons étudié les systèmes coopératifs présentés précédemment en présence
de cette erreur. Pour une faible erreur de synchronisation Tsyn = 0, 2Ts , les trois systèmes
coopératifs sont plutôt résistants et consomment un peu plus d’énergie : 7 % d’augmenta-
tion (figure 4.18). Lorsque l’erreur de synchronisation augmente à Tsyn = 0, 3Ts et plus, ces
systèmes coopératifs subissent une dégradation plus importante. Le max-dmin coopératif
présente la meilleure performance (augmentation de 17 %) alors que les P-OSM et OS-
TBC coopératifs sont plus sensibles et l’augmentation de la consommation d’énergie est
respectivement 134 % et 58 % (figure 4.19). Notons que, dans ce cas et pour certaines
applications, le P-OSM coopératif peut être utilisé en configuration 1 ce qui réduit l’aug-
109
mentation de la consommation d’énergie de 134 % à 63 %.

Dans les systèmes coopératifs proposés, une phase d’initialisation était nécessaire pour
envoyer les symboles d’apprentissage afin d’estimer le canal et d’envoyer ensuite la CSI
quantifiée sur le canal de retour. Cette phase peut être exploitée pour faire d’autres
opérations telles que la synchronisation et l’agrégation de données. De plus, dans un
réseau de capteurs, les systèmes max-dmin et P-OSM coopératifs peuvent être trouvés en
parallèle avec le système OSTBC coopératif afin de réduire ensemble la consommation
globale d’énergie. Ces points seront abordés dans les perspectives à la fin de cette thèse.
Le prochain chapitre s’intéressera à l’application de réseaux de capteurs dans les postes
électriques haute-tension. Cet environnement est caractérisé par la présence du bruit im-
pulsionnel. Nous étudierons la modélisation de ce bruit et évaluerons les performances de
ces systèmes coopératifs dans un canal à bruit impulsionnel présent dans l’environnement
de postes électriques haute-tension.
110
Chapitre 5
Réseaux de capteurs : application
aux postes électriques haute-tension
Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.2 Le bruit impulsionnel dans les postes HT . . . . . . . . . . . . . 113
5.2.1 Les lignes de transport : bruit couronne et Gap . . . . . . . . . . 113
5.2.2 Décharges partielles : transformateurs et isolateurs de traverse . 114
5.2.3 Mesures de bruit impulsionnel . . . . . . . . . . . . . . . . . . . . . 114
5.3 Modélisation statistique du bruit impulsionnel . . . . . . . . . 115
5.3.1 Modèle de Middleton Classe A . . . . . . . . . . . . . . . . . . . . 115
5.3.2 Identification du modèle par confrontation simulations-mesures . 118
5.3.3 Extension du modèle de Middleton classe A pour les systèmes
multi-antennaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.4 Performances des précodeurs en présence de bruit impul-
sionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.4.1 Contexte de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.4.2 Récepteur MV avec l’hypothèse de bruit gaussien (MV-BG) . . 123
5.4.3 Récepteur MV avec l’hypothèse de bruit impulsionnel (MV-BI) 125
5.5 Première simulation réaliste d’un réseau de capteurs dans
un poste HT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.5.1 Environnement étudié . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.5.2 Définition des configurations étudiées . . . . . . . . . . . . . . . . 128
5.5.3 Évaluation de la consommation d’énergie des systèmes coopératifs129
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
111
CHAPITRE 5. RÉSEAUX DE CAPTEURS : APPLICATION AUX POSTES
ÉLECTRIQUES HAUTE-TENSION
5.1 Introduction
Dans le chapitre précédent, nous avons étudié la mise en place des précodeurs max-dmin
et P-OSM dans un système MIMO coopératif avec un canal de retour conduisant à réduire
la consommation d’énergie dans les réseaux de capteurs. Ceux-ci ont de nombreuses per-
spectives d’utilisations dans des domaines variés et leur déploiement demande des nœuds
autonomes en énergie. Nous nous intéressons ici à l’utilisation de réseaux de capteurs
dans les postes électriques haute-tension (HT). Ce travail a été mené dans le cadre d’une
collaboration scientifique entre le département SIC du laboratoire XLIM (Université de
Poitiers) et l’Institut de recherche d’Hydro-Québec (IREQ) dans le cadre du programme
Franco-Québécois Samuel de Champlain (projet 62-113). J’ai effectué un stage de deux
mois à l’Institut de recherche d’Hydro-Québec. Le contexte de recherche s’inscrit dans le
thème de communications sans fil pour les réseaux de capteurs en milieux perturbés.
Afin d’économiser l’énergie électrique, de sécuriser le réseau électrique et de réduire
les coûts, les fournisseurs d’électricité, comme Hydro-Québec, tentent de contrôler et de
surveiller leurs réseaux électriques en utilisant le “Smart Grid” (réseau de distribution
d’électricité intelligent) [5]. Par exemple, il consiste à connaı̂tre les besoins des équipe-
ments électriques des consommateurs et à adapter la transformation d’énergie à partir
des postes HT. L’idée consiste à interagir avec ces postes en utilisant la technologie de
réseaux de capteurs. Ainsi, le personnel technique, à partir des informations collectées par
le réseau de capteurs, peut intervenir à distance avec les équipements du poste. Il serait
très coûteux de relier les capteurs avec des fibres optiques ou des câbles en raison des
grandes dimensions des postes HT qui peuvent atteindre une surface de 1 km2 à Hydro-
Québec par exemple. Par conséquent, l’une des solutions les plus appropriées est d’adapter
un réseau de capteurs sans fil à ces postes : il est plus facile à installer et présente une
solution rentable pour ces applications [125], [126].
Cependant, cet environnement est très difficile notamment à cause d’effets partic-
uliers de l’appareillage créant un bruit impulsionnel. Ce bruit, appelé aussi bruit électro-
magnétique, affecte les systèmes de communication. Il peut dégrader les performances et
la fiabilité de ces systèmes notamment les systèmes de communication sans fil même avec
un RSB élevé [127].
Dans ce chapitre, nous évaluons les performances des systèmes MIMO coopératifs
proposés précédemment en présence de bruit impulsionnel et dans un environnement réel
des postes électriques HT au Québec. Ainsi, la modélisation du bruit impulsionnel dans
les postes électriques HT sera étudiée. Nous utilisons une série de mesures de ce bruit
effectuée par l’École de Technologie Supérieure de Montréal (ÉTS) pour déterminer un
modèle statistique du bruit impulsionnel. Afin d’utiliser des systèmes multi-antennaires,
nous proposons une extension du modèle de bruit en réception [128], [129]. L’impact de
ce bruit impulsionnel sur le TEB de systèmes MIMO sera ensuite estimé en utilisant deux
récepteurs MV. Le premier est basé sur l’hypothèse de bruit gaussien : la fonction de
112
vraisemblance est équivalente à minimiser la distance entre le signal reçu et les points
dans la constellation. Le deuxième est basé sur l’hypothèse de bruit impulsionnel. Dans
ce cas, la définition précédente n’est plus valide et le modèle statistique déterminé du
bruit sera considéré dans ce récepteur [129].
5.2 Le bruit impulsionnel dans les postes HT

Les postes de transport d’énergie sont le siège de nombreux bruits à caractère im-
pulsionnel ou électromagnétique dus aux hautes-tensions véhiculées. Les interférences re-
censées sont dues soit au fonctionnement permanent de la station, comme le transport
de haute-tension par les lignes, l’isolateur de traverse (protections aux extrémités des
câbles) ou le fonctionnement des transformateurs, soit au fonctionnement impulsionnel de
certains équipements comme les courts-circuits.
Il apparaı̂t que certains phénomènes physiques sont plus récurrents à la propagation
d’ondes électromagnétiques dans l’air. C’est le cas de l’effet couronne, du bruit Gap et
des décharges partielles [130].
5.2.1 Les lignes de transport : bruit couronne et Gap

Les lignes de transport, par exemple, selon leur tension, émettent du bruit électro-
magnétique connu sous le nom de bruit par effet couronne (ou Corona). Ce bruit est le
principal problème des lignes très haute-tension (345-1000 kV). Le bruit par effet couronne
est détecté sur une large gamme de fréquences : 0,01 MHz à 1 GHz pour les lignes de
voltage inférieur à 375 kV et même jusqu’à 10 GHz pour des tensions à 800 kV et plus
(1000 kV) [131].
Le bruit couronne est principalement causé par des perturbations dues à la présence
de gouttelettes d’eau ou d’insectes sur les conducteurs ou aux contacts avec les tourelles
de maintien des fils. Ces perturbations provoquent à l’échelle locale une augmentation du
champ électrique provoquant ainsi un court-circuit électrique.
Les lignes haute-tension ne sont pas soumises qu’à l’effet couronne. Pour une tension
en dessous de 75 kV, le bruit Gap semble avoir beaucoup plus d’influence, et son amplitude
est beaucoup plus élevée vers les très hautes fréquences, que le bruit couronne. Le bruit
Gap peut avoir lieu dans des endroits où de très petites séparations se développent entre
les parties métalliques reliées mécaniquement.
Ces deux types de bruits coexistent sur les lignes haute-tension, mais sur certaines
gammes de fréquences, l’un prédomine selon le voltage de la ligne ou les conditions
météorologiques. Le bruit couronne est détectable avec précision sur une bande allant
jusqu’à 1 GHz, alors que la bande du bruit Gap est détectable jusqu’à 8 GHz.
113
5.2.2 Décharges partielles : transformateurs et isolateurs de tra-

verse
Sous l’effet d’une haute-tension, l’isolant entre deux conducteurs peut s’avérer inef-
ficace pour un laps de temps très court. La dégradation du diélectrique ou un défaut
d’un des conducteurs peut être la cause des décharges. Si l’isolant se trouve être troué
(dans le cas d’un solide), ou si un bout de conducteur dépasse et vient se rapprocher d’un
conducteur voisin, il se produit le phénomène de décharge partielle. Les transformateurs,
qui utilisent de l’huile ou un gaz en tant qu’isolant, comme la plupart des équipements,
émettent des radiations causées par des décharges partielles [132], [133].
On recense deux types de décharges : les décharges internes et externes. La décharge
interne a lieu au niveau de la dégradation du diélectrique entre deux conducteurs sous
tension alors que la décharge externe a lieu à l’interface diélectrique-conducteur. La fig-
ure figure 5.1 montre ces deux types de décharges partielles.
HT Conducteurs HT
huile Air Imperfection

Bulle d’air
d’une électrode
Décharge interne Décharge externe
Figure 5.1 - Décharges partielles internes et externes
En résumé, dans l’environnement des postes électriques, le bruit impulsionnel survient

sous forme de décharges partielles causées par des défaillances de matériaux, comme
l’isolant d’un transformateur, ou les conducteurs de lignes haute-tension et isolateurs
de traverses.
5.2.3 Mesures de bruit impulsionnel

À l’École de Technologie Supérieure de Montréal, des dispositifs sont utilisés pour
reproduire les décharges partielles externes (dans l’air) en laboratoire. Ainsi, une série de
mesures de bruit a été effectuée. Les résultats ont montré que ces mesures en laboratoire
valident les mesures effectuées sur le terrain dans [134]. Pour plus de détails sur ces
mesures, le lecteur peut se référer aux références [129] et [135].
En ce qui concerne nos travaux, notre objectif est d’exploiter ces mesures de décharges
114
partielles afin de déterminer un modèle statistique du bruit impulsionnel, puis de confron-

ter les simulations obtenues à des mesures.
5.3 Modélisation statistique du bruit impulsionnel

Généralement, dans le domaine du traitement du signal, il existe au moins deux types
de bruits : le bruit blanc gaussien et le bruit de type impulsif [16]. Actuellement, le com-
portement statistique du bruit gaussien est bien connu. Par contre, le bruit impulsionnel
est un processus aléatoire non-gaussien qui a une forme fortement structurée due à son
caractère impulsif. Il présente souvent des caractéristiques non-stationnaires telles que
l’apparition d’impulsions aléatoires dans le temps avec des niveaux d’interférences élevés
[127]. Ainsi, afin de connaı̂tre le comportement du bruit impulsionnel, on a besoin d’un
modèle statistique qui le caractérise.
Pour représenter ce dernier, nous utilisons le modèle du processus de bruit impul-
sionnel proposé par D. Middleton [136]. Lors de ses analyses sur les interférences électro-
magnétiques, Middleton a dérivé des modèles statistiques et physiques qui contiennent
la composante non-gaussienne de bruit et qui combinent les descriptions physiques et
statistiques du bruit électromagnétique. Ces modèles ont été largement utilisés dans des
applications électromagnétiques [137], [138], [139], [140] et dans des problèmes de com-
munications [141], [142], [143], [144], [145]. Ils se distinguent par son caractère canon-
ique, c’est-à-dire que leurs formes mathématiques sont indépendantes de l’environnement
physique et des mécanismes de bruit. Plus important, ils sont à la fois expérimentalement
vérifiables et prédictifs. Middleton a catégorisé l’interférence électromagnétique en trois
classes A, B et C [140].
5.3.1 Modèle de Middleton Classe A

Ce modèle est paramétrique, ses paramètres peuvent être mesurés pour une grande
variété des phénomènes non-gaussiens que l’on retrouve en pratique. Il peut modéliser le
bruit impulsionnel dont le spectre est inférieur à la bande passante du récepteur [140].
De plus, il a montré une bonne approximation pour modéliser le bruit dont le spectre est
supérieur à la bande passante du récepteur [144].
Dans ce modèle, l’interférence reçue est supposée être un processus comportant deux
composantes [127], [140] :
X(t) = XP (t) + XG (t) (5.1)
où XP (t) et XG (t) sont des processus indépendants. La première composante XP (t) est
représentée par :
XP (t) = ∑ Um (t, α) (5.2)
m
où Um est la mème forme d’onde d’une source d’interférence. α représente un ensemble de
paramètres aléatoires qui décrivent la forme d’onde. Sous l’hypothèse que les sources suiv-
ent la loi de Poisson dans l’espace et émettent leurs formes d’onde de façon indépendante
115
selon la distribution de Poisson dans le temps, la fonction caractéristique de premier ordre

de XP (t) est donnée par [127] :
FP (x) = e[AJ0 (B0 x)−A] (5.3)
où B0 est l’enveloppe de U, J0 est la fonction de Bessel d’ordre zéro. La quantité A est le
premier paramètre fondamental du modèle et sera discuté plus tard.
La deuxième composante XG (t) est un processus gaussien stationnaire qui représente
le bruit du récepteur ou les contributions des sources de bruit de fond insolubles, ou les
deux. Sous l’hypothèse que cette composante ait une moyenne nulle et une variance σG ,
la fonction caractéristique de premier ordre de XG (t) est :
−x2 σG
2
FG (x) = e 2 (5.4)
La fonction caractéristique générale du processus X(t) est alors :
FP +G (x) = FP (x)FG (x) (5.5)
La densité de probabilité (DDP) du modèle de Middleton Classe A est [127] :

∞ −x2
Am
fP +G (x) = e−A ∑ √ 2
e 2σm (5.6)
2
m=0 m! 2πσm
où : m
+Γ
2
σm = A
(5.7)
1+Γ
La quantité Γ est le deuxième paramètre fondamental du modèle et sera discuté ci-
après. Notons que fP +G (x) est une somme pondérée de gaussiennes de moyenne nulle
et de variance croissante. Le terme m = 0 correspond à la composante gaussienne de
l’interférence, alors que tous les autres termes correspondent à la composante de Poisson
(composante impulsive).
Comme indiqué ci-dessus, A et Γ sont les paramètres fondamentaux du modèle. Nous
présentons maintenant leur définition et leur signification physique.
- A est appelé “Overlap Index” : il est le produit de v, nombre moyen d’émissions

par seconde par Tm , la durée moyenne d’une émission :
A = vTm (5.8)
Plus le nombre d’émissions et/ou leurs durées diminuent, plus les propriétés du bruit
sont alors dominées par les caractéristiques de la forme d’onde d’une émission individu-
elle : comportement impulsif. Par contre, quand A est plus grand, le bruit devient moins
structuré, c’est-à-dire que ses statistiques s’approchent de celles de la distribution gaussi-
enne selon la théorie de la limite centrale [140]. Par exemple A = 10 est considéré comme
116
une grande valeur de A. Le paramètre A est donc une mesure de la nature non-gaussienne
du bruit.
- Γ est appelé “Gaussian factor” : il est le rapport d’intensité entre la composante

gaussienne et la composante non-gaussienne.
σG2
Γ= (5.9)
σP2
Les paramètres A et Γ prennent en général leurs valeurs dans les intervalles [10−4 , 1]
et [10−6 , 1] respectivement [146], [147]. La figure 5.2 présente la densité de probabilité de
Middleton Classe A pour différentes valeurs de A (A = 0, 1 et 10, Γ = 0, 8), elle présente
également la DDP du bruit gaussien pour référence.
0.7
A = 0,1
A = 10
Bruit gaussien
0.6
0.5
0.4
DDP
0.3
0.2
0.1
0
−10 −8 −6 −4 −2 0 2 4 6 8 10
Amplitude
Figure 5.2 - La densité de probabilité de Middleton Classe A pour (A = 0, 1 et 10, Γ = 0, 8)
En ajustant les paramètres A et Γ, la DDP exprimée par (5.6) peut être paramétrée
pour s’adapter à une grande variété de densités non-gaussiennes. La large applicabilité du
modèle de Classe A a suscité le développement de méthodes d’estimation de ses paramètres
[138], [147]. Ce modèle sera considéré dans notre étude.
Remarques sur les modèles de Middleton Classe B et C :

- Middleton Classe B
Ce modèle caractérise le bruit impulsionnel dont le spectre est supérieur à la bande
passante du récepteur comme par exemple le bruit atmosphérique [140]. Même s’il peut
modéliser le bruit impulsionnel large bande, ses applications pratiques sont limitées en
117
raison de la forme compliquée de sa densité de probabilité qui a six paramètres dont un

déterminé empiriquement [140]. Un autre modèle appelé “Symmetric Alpha Stable SαS
Model” est souvent utilisé pour approximer le Middleton Classe B [148], [149].
- Middleton Classe C
Ce modèle est la somme linéaire des modèles des Classes A et B. En pratique, la Classe
C peut souvent être approximée par la Classe B [140].
5.3.2 Identification du modèle par confrontation simulations-

mesures
5.3.2.1 Principe
Afin d’évaluer les performances de réseaux de capteurs dans les postes électriques
HT, il est important de trouver un modèle qui caractérise au mieux le bruit dans cet
environnement. Pour cela, nous proposons de valider le modèle de Middleton Classe A avec
des mesures de bruit électromagnétique selon la procédure décrite par la figure 5.3 [128].
Bruit mesuré DDP et (K-L)
Estimation de A et de Γ Comparaison
Bruit simulé DDP et (K-L)

Middleton Classe A
Figure 5.3 - Procédure de validation du modèle de Middleton Classe A
À partir du bruit mesuré, nous utilisons la méthode des moments [138] pour estimer
les paramètres A et Γ de modèle du Classe A :
9(e4 − 2e22 )3
Aest = (5.10)
2(e6 + 12e32 − 9e2 e4 )2
2e2 (e6 + 12e32 − 9e2 e4 )

Γest = (5.11)
3(e4 − 2e22 )3
où e2 , e4 et e6 sont les deuxième, quatrième et sixième moments de l’enveloppe des données.
Ces paramètres estimés seront ensuite utilisés dans l’équation (5.6) pour générer le bruit
de Middleton Classe A.
Dans la procédure de validation, deux moyens statistiques servent à comparer le bruit
mesuré et le bruit simulé :
118
1. La densité de probabilité (DDP) : nous avons estimé la densité de probabilité du

bruit mesuré à l’aide de la méthode du kernel gaussien [150].
2. La divergence de Kullback-Leibler (K-L) : elle mesure la dissimilarité entre deux

distributions de probabilité P1 et P2 : (K-L)= 0 indique que P1 = P2 [151].
5.3.2.2 Résultats
Nous utilisons deux ensembles de mesures des décharges partielles fournis par l’École
de Technologie Supérieure de Montréal. Ces ensembles sont appelés Bruit mesuré-1 et
Bruit mesuré-2. À partir de ces deux bruits mesurés et en appliquant (5.10) et (5.11),
nous estimons les paramètres A et Γ de modèle de Classe A, ce qui donne :
– Aest = 0, 0280 et Γest = 0, 3978 pour Bruit mesuré-1,

– Aest = 0, 3575 et Γest = 0.1194 pour Bruit mesuré-2.
Nous injectons ensuite ces paramètres estimés dans (5.6) pour générer par simula-
tion deux ensembles de données du bruit de Middleton classe A appelés Middleton-1 et
Middleton-2 qui s’appuient respectivement sur les paramètres estimés pour Bruit mesuré-1
et 2.
Les figures 5.4 et 5.5 présentent les DDP pour les bruits mesurés 1 et 2, les bruits
générés Middleton-1 et Middleton-2 ainsi que le bruit gaussien qui sert de référence.
20
Bruit mesuré−1
18 Middleton−1
Bruit gaussien
16
14
12
DDP
10
0
−0.2 −0.15 −0.1 −0.05 0 0.05 0.1 0.15 0.2
Amplitude
Figure 5.4 - Densité de probabilité pour le Bruit mesuré-1, le bruit généré Middleton-1 et le
bruit gaussien
119
450
Bruit mesuré−2
400 Middleton−2
Bruit gaussien
350
300
250
DDP
200
150
100
50
0
−0.01 −0.008 −0.006 −0.004 −0.002 0 0.002 0.004 0.006 0.008 0.01
Amplitude
Figure 5.5 - Densité de probabilité pour le Bruit mesuré-2, le bruit généré Middleton-2 et le
bruit gaussien
Ces figures montrent que les DDP des bruits générés à partir de paramètres estimés
(Middleton-1 et Middleton-2) approchent la distribution des bruits mesurés nettement
mieux que le modèle gaussien.
Le tableau 5.1 confirme ces observations en présentant les divergences (K-L) entre les
bruits mesurés et les deux modèles de bruit (Middleton et gaussien). Ainsi, la divergence
(K-L) de Bruit mesuré-1 est à 0,04 du modèle de Middleton classe A et à 0,3 du modèle
gaussien. Pour le Bruit mesuré-2, la divergence (K-L) est à 0,02 de du modèle de Middleton
classe A et à 0,27 du modèle gaussien.
Bruit mesuré-1 Bruit mesuré -2

Classe A 0,04 0,02
Gaussien 0,3 0,27
Table 5.1 - Les divergences (K-L) entre les bruits mesurés, générés et gaussien
D’après ces résultats et même si nous n’avons pas une concordance parfaite entre
le modèle de Middleton et les bruits mesurés de décharges partielles, ces derniers sont
nettement mieux approximés par le modèle de Middleton classe A que par le modèle
gaussien.
Ainsi, cette étude nous a permis de considérer le modèle statistique de Middleton
classe A comme un modèle satisfaisant du bruit impulsionnel dans les postes électriques
HT. En utilisant les paramètres A et Γ estimés à partir de bruits mesurés, nous pouvons
générer le bruit impulsionnel correspondant.
120
5.3.3 Extension du modèle de Middleton classe A pour les sys-

tèmes multi-antennaires
Afin d’évaluer les performances des systèmes MIMO en présence de bruit impulsionnel,
nous proposons une extension du modèle de bruit en réception [128], [129].
Le modèle de Middleton Classe A a été développé pour les systèmes mono-antennaires.
Pour un système à deux antennes à la réception, nous avons considéré le modèle utilisé
dans [144]. Ce modèle est limité à nr = 2 antennes. Ainsi, nous proposons une extension
pour nr ≥ 2. Nous pouvons écrire (5.6) comme :
∞
f (x) = ∑ am g(x, σm
2
) (5.12)
m=0
où
e−A Am 1 −x2
am = et 2
g(x, σm )= √ 2
e 2σm (5.13)
m! 2
2πσm
Selon [146], le modèle de Middleton classe A peut être approximé par deux termes
(m = 0 et 1) :
f (x) = a0 g(x, σ02 ) + (1 − a0 )g(x, σ12 ) (5.14)
e−A A0
où a0 = 0! = e−A , ce qui donne :
f (x) = e−A g(x, σ02 ) + (1 − e−A )g(x, σ12 ) (5.15)
Soit x = [x1 , x2 , x3 , . . . , xk ] un vecteur contenant k = nr variables aléatoires, chacune suit

le modèle de Middleton classe A et xk est l’observation du bruit à l’antenne réceptrice k.
La densité multidimensionnelle de x peut être écrite comme [146] :
∞
fx (x) = ∑ am g(x, Km ) (5.16)
m=0
où am est le même que dans (5.12), Km est la matrice de covariance qui représente la
corrélation spatiale entres les bruits xk et g est la loi normale multidimensionnelle :
1 −xT K−1
mx
g(x, Km ) = nr 1 e 2 (5.17)
(2π) 2 ∣Km ∣ 2
où ∣.∣ est le déterminant. Selon (5.16) et (5.17), nous avons :

∞ −xT K−1
am mx
fx (x) = ∑ nr 1 e 2 (5.18)
m=0 (2π) ∣Km ∣
2 2
L’équation (5.18) représente une extension générale du modèle de Middleton classe A

pour les systèmes multi-antennaires. Nous pouvons utiliser l’approximation comme dans
121
(5.15) et obtenons une version approximative de l’extension :

e−A −xT K−1
0 x
fx (x)= nr 1 e 2
(2π) 2 ∣K0 ∣ 2
(5.19)
1 − e−A −xT K−1
1 x
+ nr 1 e 2
(2π) 2 ∣K1 ∣ 2
La matrice de covariance Km est une matrice de taille nr × nr et définie comme :
⎛ Var(x1 )m . . . Cov(x1 , xk )m ⎞
Km = ⎜ ⋮ ⋱ ⋮ ⎟ (5.20)
⎝ Cov(xk , x1 )m . . . Var(xk )m ⎠
⎧
⎪
m
+Γ
⎪
⎪ Var(xk )m = A1+Γkk = σkm2
⎪
où ⎨ .
⎪
⎪
⎪
⎩ Cov(xi , xj )m = ρij σim σjm
⎪
Γk est le “Gaussian factor” à l’antenne k et ρij est le coefficient de corrélation entre

les observations du bruit aux antennes i et j (−1 ≤ ρ ≤ 1). Enfin, nous pouvons écrire Km
comme :
2
⎛ σ1m . . . ρ1k σ1m σkm ⎞
Km = ⎜ ⋮ ⋱ ⋮ ⎟ (5.21)
⎝ ρk1 σkm σ1m . . . 2
σkm ⎠
5.4 Performances des précodeurs en présence de bruit

impulsionnel
Dans le quatrième chapitre, nous avons étudié la mise en place des précodeurs max-dmin
et P-OSM dans un système MIMO coopératif afin de réduire la consommation d’énergie
dans les réseaux de capteurs. Comme nous l’avons vu, ces derniers ont de nombreuses per-
spectives d’utilisations dans des domaines variés. Dans cette section, nous nous intéressons
à l’utilisation de réseaux de capteurs dans les postes électriques HT. Cependant, un
réseaux de capteurs sans fil souffre du bruit impulsionnel existant dans de tels envi-
ronnements.
Dans la technologie DSL (Digital Subscriber Line), différentes solutions sont appliquées
pour combattre les effets du bruit impulsionnel. Par exemple, une variété de techniques
de codes correcteurs d’erreurs sont étudiées dans [152] pour améliorer les performance du
code de Reed-Solomon. L’application de Turbo Codes est considérée dans [153]. D’autres
solutions peuvent être appliquées pour combattre les effets du bruit impulsionnel comme
le récepteur non-linéaire [127], [154]. Ce dernier a besoin de connaitre le modèle statistique
122
du bruit. Ici, les précodeurs eux-mêmes ne représentent pas une solution contre le bruit
impulsionnel mais ils sont plutôt utilisés dans le système coopératif afin d’exploiter leurs
performances. en terme de réduction de consommation d’énergie comme nous l’avons
montré dans le chapitre 4. Toutes les solutions précédentes pourraient être appliquées
dans les systèmes MIMO coopératifs afin de réduire les effets du bruit. Cependant, elles
vont augmenter la consommation d’énergie dans le réseau de capteurs ce qui n’est pas
souhaitable.
Par la suite, nous évaluons les performances en terme de TEB des précodeurs max-dmin
et P-OSM en présence de bruit impulsionnel. Pour cela, le contexte de simulation est
d’abord défini. Nous présentons ensuite les résultats de TEB.
5.4.1 Contexte de simulation

Les paramètres A et Γ estimés précédemment sont considérés pour générer le bruit
correspondant Middleton-1 et Middleton-2. Dans la configuration utilisée de mesure du
bruit, une seule antenne avait été utilisée pour capturer le bruit et nous n’avons pas
actuellement des mesures pour nr antennes réceptrices comme dans une configuration
multi-antennaire. Cependant, dans l’extension du modèle de bruit pour le système multi-
antennaire, nous avons besoin de connaitre le paramètre Γ sur chaque antenne de réception
et le coefficient de corrélation ρ entre les observations du bruit sur les antennes. Par
conséquent, afin de lancer la simulation avec le modèle de bruit pour le système multi-
antennaire, nous supposons un cas simple : (Γest = Γ1 = Γ2 = ... = Γnr ) et la corrélation
entre les observations du bruit est nulle (−1 ≤ ρ ≤ 1, nous mettons ρij = ρji = 0). Cela peut
représenter le cas où les nr antennes sont assez espacées.
En général, les récepteurs MIMO ont été développés sous l’hypothèse de bruit gaussien.
Dans notre étude, le système MIMO est envisagé de fonctionner dans un environnement
électromagnétique où le bruit impulsionnel est présent. Ainsi, nous évaluons d’abord les
performances des précodeurs en utilisant un récepteur MV avec l’hypothèse de bruit
gaussien (MV-BG). Ensuite, nous appliquons un récepteur MV avec l’hypothèse de bruit
impulsionnel (MV-BI). L’objectif est de voir si nous pouvons obtenir une amélioration
importante de performance entre les deux cas ce qui pourrait justifier l’utilisation de ce
deuxième récepteur car son application est plus complexe comme nous le montrerons par
la suite. Enfin, dans les simulations, le canal de transmission est toujours un canal de
Rayleigh, la modulation est une MAQ-4 et la CSI est complète.
5.4.2 Récepteur MV avec l’hypothèse de bruit gaussien (MV-

BG)
Ce récepteur a été présenté dans le paragraphe 1.5.3. La fonction de vraisemblance est
exprimée comme la distance entre le signal reçu et les points dans la constellation.
La figure 5.6 montre le TEB des précodeurs max-dmin et P-OSM en présence de bruit
123
impulsionnel estimé (Middleton-1 et 2) et pour un système 2 × 2 et 2 × 4. Les TEB en cas

de bruit gaussien sont également présentés. Comme les performances de ces précodeurs
sont équivalentes lorsque nt = 2, une seule courbe de TEB est tracée pour les max-dmin et
P-OSM.
Gaussien, 2x2
Middleton−1, 2x2
Middleton−2, 2x2
−1
10 Gaussian, 2x4
Middleton−1, 2x4
Middleton−2, 2x4
−2
10
TEB
−3
10
−4
10
0 5 10 15 20 25
RSB
Figure 5.6 - TEB des précodeurs max-dmin et P-OSM en présence de bruits impulsionnels
estimés Middleton-1 et 2 avec le récepteur MV-BG, systèmes MIMO 2 × 2 et 2 × 4
On remarque que le TEB des précodeurs est dégradé en présence de bruit impulsionnel
(Middleton-1 et 2). En effet, l’énergie du modèle de Middleton classe A est une somme
de deux composantes de bruit : gaussienne et impulsive.
À faible RSB, le TEB est sensible à la composante gaussienne du modèle qui a moins
d’énergie qu’un bruit gaussien classique. Ainsi, le TEB du modèle de Middleton classe A
est meilleur par rapport à un bruit gaussien classique à faible RSB. En revanche, à RSB
élevé, le système MIMO devient sensible à la composante impulsive ce qui dégrade les
performances des précodeurs, la perte de RSB peut atteindre 8 dB. Le TEB de Middleton-
1 est plus dégradé que celui de Middleton-2 car le paramètre A pour Middleton-1 est plus
petit que celui de Middleton-2. Comme nous l’avons expliqué dans le paragraphe 5.3.1,
lorsque la valeur de A augmente, le bruit devient moins impulsif et le TEB de Middleton-2
est proche du cas gaussien.
La figure 5.7 présente le TEB des précodeurs max-dmin et P-OSM en présence de bruit
impulsionnel estimé (Middleton-1 seulement) pour un système 4 × 4.
124
Nous savons que pour un bruit gaussien et lorsque nt > 2 , la performance en terme de
TEB du précodeur max-dmin est mieux que celle du précodeur P-OSM. Cela est toujours
valide pour un bruit impulsionnel selon la figure 5.7. De plus, à faible RSB ou à RSB
élevé, on observe les mêmes remarques expliquées précédemment pour la figure 5.6.
Max−dmin, gaussien
−1 P−OSM, gaussien
10 Max−dmin, Middleton−1
P−OSM, Middleton−1
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14 16 18
RSB
Figure 5.7 - TEB des précodeurs max-dmin et P-OSM en présence de bruit impulsionnel estimé
Middleton-1 avec le récepteur MV-BG, système MIMO 4 × 4
5.4.3 Récepteur MV avec l’hypothèse de bruit impulsionnel (MV-

BI)
La règle générale de détection pour le récepteur MV peut être exprimée comme [13] :
ŝ = arg max {L(s∣y)} (5.22)

s∈C
En cas de bruit gaussien, la fonction de vraisemblance L(s∣y) est équivalente à min-

imiser la distance entre le signal reçu et les points dans la constellation C. Par contre,
en cas de bruit de Middleton classe A, ce n’est plus vrai. Pour ce récepteur, nous con-
sidérons la densité de probabilité de l’extension de modèle de bruit pour les systèmes
multi-antennaires (Eq.5.19). Dans ce cas, la détection MV peut être exprimée comme la
maximisation de la fonction de vraisemblance L(s∣y) :
e−A −xT K−1
0 x
L(s∣y) = { nr 1 e 2
(2π) ∣K0 ∣
2 2
(5.23)
1 − e−A −xT K−1
1 x
+ nr 1 e 2 }
(2π) 2 ∣K1 ∣ 2
125
où x = y − HFs, de taille [nr × 1]

La figure 5.8 présente le TEB des précodeurs max-dmin et P-OSM en présence de bruit
impulsionnel estimé (Middleton-1), pour un système 4 × 4 et en utilisant le récepteur
MV-BI.
On observe que la performance du récepteur MV-BI est significativement meilleure que
celle du récepteur MV-BG. Le gain est d’environ 6 dB. Cette performance du récepteur
MV-BI par rapport au récepteur MV-BG est aussi vraie pour d’autres systèmes MIMO
tels que 2 × 2 ou 2 × 4.
Max−dmin, MV−BG
Max−dmin, MV−BI
P−OSM, MV−BG
P−OSM, MV−BI
−2
10
TEB
−3
10
−4
10
0 2 4 6 8 10 12 14 16 18
RSB
Figure 5.8 - TEB des précodeurs max-dmin et P-OSM en présence de bruit impulsionnel estimé
Middleton-1 avec le récepteur MV-BI, système MIMO 4 × 4
Ainsi, le gain présenté par le récepteur MV-BI peut être très utile pour le système
MIMO coopératif afin de réduire la consommation d’énergie de transmission dans les
réseaux de capteurs.
Néanmoins, la complexité de calcul de ce récepteur est plus élevée que celle de MV-BG.
En fait, dans le récepteur MV-BI, la fonction de vraisemblance L(s∣y), qui doit être max-
imisée, représente la somme de deux fonctions exponentielles. C’est différent du récepteur
MV-BG où la fonction de vraisemblance ne représente qu’une fonction exponentielle, elle
est alors équivalente à minimiser la distance entre le signal reçu et les points dans la
constellation [13]. De plus, le récepteur MV-BI nécessite la connaissance des paramètres
du modèle de bruit (A, Γ et ρ).
126
5.5 Première simulation réaliste d’un réseau de cap-

teurs dans un poste HT
Nous nous intéressons ici à évaluer les performances en terme de consommation d’éner-
gie des systèmes MIMO coopératifs proposés dans le chapitre 4 dans un environnent réel
d’un poste électrique HT au Québec. Le bruit impulsionnel étudié précédemment est
considéré et les performances des systèmes coopératifs seront évaluées en présence de ce
bruit et comparées avec le cas d’un bruit gaussien. Pour ce faire, nous présentons d’abord
l’environnement d’étude modélisé par le simulateur de canal présenté dans le paragraphe
1.3.3.1. Il s’agit d’un poste électrique HT dans lequel une configuration des capteurs sera
choisie. Nous utilisons le simulateur de canal pour simuler les liaisons entre les capteurs
dans l’environnement du poste et obtenir un canal réaliste.
5.5.1 Environnement étudié

Le poste HT des Laurentides représente l’environnement d’étude. Ce poste de répar-
tition est situé dans l’un des six arrondissements de la ville du Québec, Charlesbourg.
Ses dimensions sont importantes approximativement 1300 par 800 mètres. Il contient les
éléments d’un poste typique de répartition que l’on peut visualiser sur la vue aérienne de
la figure figure 5.9.
Figure 5.9 - Poste HT des Laurentides vue aérienne avec Google Earth
On peut remarquer la présence de nombreux pylônes constitués par des armatures

métalliques, de plusieurs bâtiments, de murs en béton séparant les transformateurs de
puissance ainsi qu’une tour de transmission. En collaboration avec l’IREQ, cet environ-
nement a été modélisé par Minh Au pendant ses travaux de stage de Master en 2010 en
127
utilisant le simulateur de canal développé par XLIM-SIC. Ce simulateur intègre toutes

les spécificités géométriques et électriques liées à l’environnement (cf. chapitre 1). Ainsi,
nous disposons d’une scène réaliste en 3D qui décrit ce poste HT.
5.5.2 Définition des configurations étudiées

La figure 5.10 présente le poste HT modélisé avec le simulateur de canal. Nous choi-
sissons à titre d’exemple de placer trois capteurs sur les trois transformateurs en haut de
la scène (figure 5.10). Ils forment un système MIMO coopératif constituant un cluster de
trois nœuds et transmettent leurs données au centre de traitement situé sur la tour de
transmission. Ce centre représente le DGN dans le système coopératif et il est équipé de
trois antennes. Nous avons donc un système MIMO 3 × 3 coopératif.
Cluster de 3
capteurs d= 1029 m
DGN
Figure 5.10 - Poste HT des Laurentides modélisé avec le simulateur
La distance locale dm entre les capteurs dans le cluster est environ égale à 14 mètres.
Contrairement aux systèmes coopératifs étudiés dans le quatrième chapitre, la distance d
entre le cluster et le DGN est ici fixe et égale à 1029 mètres. Nous choisissons de placer
les capteurs à deux hauteurs différentes sur les transformateurs : 1,5 mètres (hauteur
d’homme) et 6 mètres (hauteur maximale du transformateur). Les antennes du DGN sont
placées à une hauteur de 60 mètres ce qui assure une visibilité directe entre le DGN et le
cluster.
Le simulateur de canal permet de simuler les liens entre les capteurs et le DGN ce
qui donne la RI utilisée pour calculer le TEB des systèmes MIMO en présence de bruit
impulsionnel. Il permet également de calculer l’atténuation du canal Ls nécessaire pour
le modèle d’énergie (cf. section 4.2.1).
128
5.5.3 Évaluation de la consommation d’énergie des systèmes

coopératifs
Après avoir défini la configuration choisie pour l’étude, nous utilisons les modèles
développés dans le chapitre 4 pour évaluer la consommation d’énergie des système coopér-
atif max-dmin, P-OSM et OSTBC.
L’énergie calculée par la suite représente l’énergie totale consommée pour transmettre
L = 103 bits avec un TEB de 10−4 en présence du bruit impulsionnel. Le bruit considéré
est le bruit estimé Middleton-1 car il dégrade plus le TEB des précodeurs comme nous
l’avons montré. Les autres paramètres de modèle sont les mêmes que dans la section 4.4. La
quantification des précodeurs est réalisée en considérant NF b = 7 bits et la synchronisation
et l’estimation de canal sont supposées parfaites.
Les deux récepteurs MV-BG et MV-BI sont utilisés. Dans un premier temps, nous
présentons la consommation d’énergie en considérant le récepteur MV-BG pour les deux
hauteurs des capteurs. Nous comparons alors la consommation d’énergie en supposant un
bruit impulsionnel et un bruit gaussien. La consommation d’énergie entre les deux hau-
teurs des capteurs est également comparée. Dans un deuxième temps, nous appliquons
le récepteur MV-BI et comparons ses conséquences sur la consommation d’énergie en
présence de bruit impulsionnel par rapport au récepteur MV-BG.
- Le récepteur MV-BG
Les figures 5.11 et 5.12 montrent la consommation d’énergie des systèmes coopératifs
en présence de bruit impulsionnel et en comparaison avec le bruit gaussien pour les deux
hauteurs.
Figure 5.11 - Comparaison de la consommation d’énergie des systèmes coopératifs pour les
bruits Middleton-1 et gaussien : hauteur = 1,5 m
129
Figure 5.12 - Comparaison de la consommation d’énergie des systèmes coopératifs pour les
bruits Middleton-1 et gaussien : hauteur = 6 m
Ces figures montrent une augmentation considérable d’énergie consommée dans le cas
du bruit impulsionnel ce qui est normal car les valeurs Eb /N0 nécessaires pour assurer le
TEB cible augmentent en présence de ce bruit.
Dans le chapitre 4, le canal théorique de Rayleigh était considéré. Nous avons montré
que les systèmes coopératifs max-dmin et P-OSM donnent les meilleures performances
en terme de consommation d’énergie en comparaison avec le système coopératif OSTBC
malgré la mise en place du canal de retour. Cela est dû aux différentes améliorations
apportées par les précodeurs telles que le rapport Eb /N0 , l’efficacité spectrale et la quan-
tification (cf. paragraphe 4.4.4). Ici, avec un canal réaliste issu du simulateur de canal,
les précodeurs coopératifs consomment toujours moins d’énergie que le système coopératif
OSTBC pour les mêmes raisons précédentes.
De plus, le P-OSM coopératif minimise l’énergie consommée par rapport au max-dmin
coopératif. Cela s’explique par la fait que le dictionnaire pour la quantification du max-dmin
n’est pas optimisé pour ce type du canal. En fait, nous avons utilisé le dictionnaire con-
struit dans le chapitre 3 pour un canal de Rayleigh alors que le canal est ici un canal
réaliste produit par le simulateur de canal. Rappelons que pour construire un diction-
naire pour le max-dmin , le modèle du canal de transmission et ses statistiques doivent être
prises en compte. Dans le troisième chapitre, nous avons montré comment construire un
dictionnaire pour le canal théorique de Rayleigh. En pratique, si le max-dmin est utilisé,
le changement des statistiques de canal devra être anticipé et pris en compte dans la
conception du système.
Nous allons maintenant comparer la consommation d’énergie entre les deux hauteurs
des capteurs, 1,5 et 6 mètres. La figure 5.13 présente cette consommation pour le bruit
impulsionnel uniquement car celui-ci domine en pratique dans cet environnent.
130
Figure 5.13 - Comparaison de la consommation d’énergie des systèmes coopératifs entre les
hauteurs 1,5 et 6 m pour le bruit Middleton-1
On constate que la position des capteurs sur les transformateurs choisis peut jouer un
rôle dans la consommation d’énergie des systèmes coopératifs. À une hauteur de 1,5 m,
nous avons moins d’énergie consommée qu’à une hauteur de 6 m. Cette étude peut être
utile pour le personnel technique par exemple. Au lieu de travailler à une hauteur de 6 m
en utilisant une échelle, il peut travailler à hauteur d’homme : 1,5 m.
Néanmoins, nous rappelons que la configuration étudiée précédemment est choisie à
titre d’exemple et n’est pas généralisable à n’importe quelle configuration des capteurs
dans la scène. En pratique, une étude plus approfondie et plus de simulations devront être
effectuées avant d’installer les capteurs.
- Le récepteur MV-BI
Nous appliquons par la suite le récepteur MV-BI optimisé pour le bruit impulsionnel.
Ainsi, la figure 5.14 montre la réduction de la consommation d’énergie après avoir appliqué
ce récepteur pour la hauteur 1,5 m. La hauteur de 6 m n’est pas présentée car le résultat
est identique. On constate que 50 % de l’énergie est environ économisée grâce au récepteur
MV-BI en comparaison avec le récepteur MV-BG.
En fait, le récepteur MV-BI permet de réduire les valeurs Eb /N0 nécessaires pour
assurer le TEB cible ce qui conduit à diminuer la consommation d’énergie. Rappelons que
ce récepteur est plus complexe que celui du MV-BG et il nécessite la connaissance des
paramètres du modèle de bruit (A, Γ et ρ). Néanmoins, un tel récepteur sera installé au
DGN qui possède une alimentation et peut assurer le calcul nécessaire.
131
Figure 5.14 - Consommation d’énergie des systèmes coopératifs : comparaison des récepteurs
MV-BI et MV-BG avec le bruit Middleton-1, hauteur = 1,5 m
5.6 Conclusion
Dans ce chapitre, nous nous sommes intéressés à l’application des réseaux de capteurs
dans les postes électriques HT dans le contexte du “Smart Grid”. Cet environnement
est caractérisé par la présence de bruit impulsionnel qui peut dégrader les performances
de système de communication. En utilisant une série de mesures de bruit impulsionnel
effectuées par l’ÉTS, nous avons déterminé un modèle statistique du bruit impulsionnel :
le modèle de Middleton classe A. Les résultats ont montré que ce modèle représente une
bonne approximation pour le bruit impulsionnel dans les postes électriques HT. Nous
avons évalué les performances en terme de TEB des précodeurs max-dmin et P-OSM en
présence de ce bruit. En considérant le récepteur MV-BG et à RSB élevé, les performances
sont dégradées : la perte de RSB peut atteindre 8 dB. En revanche, lorsque le récepteur
MV-BI est appliqué, nous obtenons un gain important de RSB pour le même TEB.
La consommation d’énergie des systèmes coopératifs est aussi évaluée en présence de

ce bruit et dans l’environnement du poste HT des Laurentides au Québec. Le simulateur
de canal nous a permis de simuler les liens entre les capteurs placés dans la scène. Une
augmentation considérable d’énergie consommée était constatée dans le cas du bruit im-
pulsionnel par rapport au bruit gaussien. Nous avons montré que l’application de récepteur
MV-BI a permis de réduire la consommation d’énergie. Ce récepteur est plus complexe
que le récepteur MV-BG mais il peut être installé au DGN qui assure le calcul nécessaire.
De plus, les paramètres du modèle de bruit (A, Γ et ρ) doivent être connus pour le bon
fonctionnement du récepteur MV-BI. Par conséquent, ce récepteur doit être associé à un
132
estimateur de bruit qui permet d’estimer les paramètres précédents.

Enfin, la simulation effectuée dans ce chapitre représente une première simulation des
capteurs dans le poste HT des Laurentides. Ainsi, les résultats obtenus ne peuvent pas
être généralisables à n’importe quelle configuration des capteurs dans la scène. Nous avons
en pratique besoin d’effectuer plus de simulations avant d’installer les capteurs.
133
Conclusion et perspectives
Au cours de ces dernières années, les réseaux de capteurs sans fil ont connu un
formidable essor dans de nombreux domaines. Cela est principalement attribuable à l’am-
pleur sans précédent des possibilités qu’offre cette technologie. Toutefois, les réseaux de
capteurs doivent aussi faire face à d’importants défis de conception en raison de leur
dépendance à l’égard d’une énergie limitée fournie par une batterie. L’énergie est une
ressource critique et constitue souvent un obstacle majeur au déploiement des réseaux
de capteurs qui prétendent à l’omniprésence dans le monde de demain. D’autre part, les
systèmes MIMO sont, depuis quelques années maintenant, le sujet de nombreuses études
car ils présentent une solution intéressante pour répondre aux besoins des communica-
tions sans fil dans différents domaines. Ils proposent des améliorations notables pour les
transmissions dans des canaux à évanouissements en termes de débit et de robustesse.
Cette thèse a porté sur l’efficacité énergétique des systèmes MIMO coopératifs dans les
réseaux de capteurs, avec un accent particulier sur l’application des nouvelles techniques
MIMO à boucle fermée : les précodeurs max-dmin et P-OSM. Ces précodeurs nécessitent
la connaissance du canal à l’émission (TX-CSI). Ils maximisent la distance minimale
de la constellation à la réception (dmin) mais utilisent deux philosophies de précodage
différentes. La CSI à l’émission nécessite la mise en place d’un canal du retour d’informa-
tion du récepteur vers l’émetteur en renvoyant l’estimation du canal.
Afin d’introduire le contexte de l’étude, nous avons commencé par quelques généralités
sur les transmissions numériques et le principe des systèmes MIMO. Une présentation
générale des réseaux de capteurs a été introduite. Nous avons montré que certains travaux
ont commencé à adapter le principe de système MIMO aux réseaux de capteurs afin de
réduire la consommation d’énergie.
Ensuite, nous avons exposé des techniques MIMO exploitant la diversité spatiale dans
les systèmes MIMO à boucle ouverte, les codes OSTBC, et à boucle fermée, les précodeurs.
Les codes OSTBC représentent une solution simple assurant notamment un ordre de
diversité maximal (nt ×nr ). L’inconvénient est l’apparition d’un rendement 1/2 ≤ R ≤ 1 du
débit et le nombre de codes proposant R = 1 est limité. Par exemple, le code d’Alamouti
est valable pour nt = 2 avec R = 1. Lorsque nt > 2, les codes OSTBC n’existent que pour
des rendements inférieurs à 1 (3/4 ou 1/2) ce qui entraine une perte significative de débit.
Les précodeurs linéaires optimisent un critère particulier à l’aide de la connaissance
135
du canal. Ils sont basés sur la SVD pour diagonaliser le canal. Parmi ces précodeurs, le
précodeur max-dmin maximise la distance minimale de la constellation en réception. Il
présente un ordre de diversité maximal (nt × nr ) et un rendement de R = 2. Une technique
récente de précodage a aussi été étudié, le précodeur P-OSM. Ce précodeur n’est pas basé
sur la SVD, il propose une orthogonalisation des symboles reçus en optimisant le même
critère que le max-dmin . Il présente un rendement de R = 2 et un ordre de diversité maximal
lorsque nt = 2. En comparant les TEB pour plusieurs modèles de canaux, nous avons
montré que les performance des max-dmin et P-OSM en terme de TEB sont équivalentes
pour un système MIMO (2×nr ). Lorsque nt ≥ 2, le P-OSM doit être associé à une méthode
de sélection d’antennes et le max-dmin est le plus performant. Ces deux précodeurs sont
considérés par la suite de nos travaux.
Afin de simplifier l’intégration de ces précodeurs dans le contexte de réseaux de cap-

teurs avec un canal de retour, nous avons étudié la quantification de l’information de
retour nécessaire à l’émission. Cette quantification a permis de réduire la quantité d’in-
formation qui doit être envoyée dans le canal de retour. Seuls quelques bits suffisent. Nous
avons étudié deux scénarios de quantification pour le max-dmin : la quantification de Fv
et de γ et la quantification des matrices Fv et Fd . Nous avons utilisé une technique qui
permet de construire un dictionnaire pour la matrice Fv pour un canal de Rayleigh. Nous
avons ensuite proposé une solution empirique qui consiste à créer un dictionnaire pour la
matrice Fd . En utilisant ce dictionnaire, nous avons réduit le nombre de bits dans le canal
de retour de NF b = n1 + n2 , dans le cas de la quantification de Fv et de γ, à NF b = n1 bits
dans le cas la quantification des Fv et Fd , tout en assurant la même performance.
Par contre, la quantification du P-OSM ne s’appuie pas sur le principe de dictionnaire,
il s’agit d’une quantification simple des angles θ et θ1 . En ajustant les paramètres du
système MIMO de manière précise (nt , nr , NF b, nθ , nθ1 ), les deux précodeurs quantifiés
peuvent assurer des performances satisfaisante par rapport à une CSI complète. Un aperçu
de la difficulté de calcul de ces précodeurs à travers les étapes de transmission et de
réception a été également présenté.
En considérant la quantification des précodeurs, nous avons proposé deux systèmes

MIMO coopératifs qui permettent de mettre en place les précodeurs max-dmin et P-OSM
pour réduire la consommation globale d’énergie dans les réseaux de capteurs. Ils ont été
comparés avec le système MIMO coopératif à codes spatio-temporels présents dans la
littérature.
Les résultats ont montré que les systèmes max-dmin et P-OSM coopératifs consomment
moins d’énergie que le système OSTBC coopératif dans tous les cas étudiés. Lorsque nt > 2,
nous avons proposé trois configurations permettant de mettre en place le P-OSM et la
configuration 3 a été choisie selon un compromis consommation/délai. Dans ce cas, les
précodeurs coopératifs max-dmin et P-OSM présentent les mêmes performances en termes
d’énergie et de délai. Lorsque nt = 2, la mise en place du P-OSM est la même que pour
le max-dmin . Même si les deux précodeurs assurent le même TEB ou même Eb /N0 pour
nt = 2, le P-OSM coopératif consomme moins d’énergie que le max-dmin coopératif car
136
ce précodeur est pénalisé par un PAR plus grand. Néanmoins, pour nt = 2, le P-OSM a
besoin de NF b = 6 bits pour assurer ce résultat alors que NF b = 3 bits sont suffisants pour
le max-dmin.
Ces systèmes coopératifs ont ensuite été étudiés en introduisant une erreur de synchro-
nisation. Nous avons montré que pour une faible erreur de synchronisation Tsyn = 0, 2Ts ,
ces systèmes coopératifs sont plutôt résistants et consomment légèrement plus d’énergie :
7 % d’augmentation. À partir d’une erreur de synchronisation égale à Tsyn = 0, 3Ts , ces
systèmes coopératifs subissent une dégradation plus importante. Il ressort que le max-dmin
coopératif présente la meilleure performance, avec une augmentation de la consommation
de 17 %, alors que les P-OSM et OSTBC coopératifs atteignent respectivement 134 % et
58 %.
Nous avons poursuivi notre étude en nous intéressant à l’utilisation de réseaux de

capteurs dans des postes électriques HT. Ce travail a été mené dans le cadre d’une collab-
oration scientifique entre le département SIC du laboratoire XLIM (Université de Poitiers)
et l’Institut de recherche d’Hydro-Québec (IREQ) à Montréal. Les postes électriques HT
sont caractérisés par la présence du bruit impulsionnel qui peut affecter les systèmes de
communication sans fil et dégrader les performances et la fiabilité de ces systèmes.
En utilisant une série de mesures de bruit impulsionnel effectuées par l’ÉTS, nous
avons déterminé un modèle statistique du bruit impulsionnel : le modèle de Middleton
classe A. Les résultats ont montré que ce modèle représente une bonne approximation
dans ce contexte. Afin d’utiliser des systèmes multi-antennaires, nous avons proposé une
extension du modèle de bruit en réception.
L’impact de ce bruit impulsionnel sur le TEB des précodeurs a été estimé en utilisant
deux récepteurs MV. Le premier est basé sur l’hypothèse de bruit gaussien (MV-BG) alors
que le deuxième est basé sur l’hypothèse de bruit impulsionnel (MV-BI). En considérant
le récepteur MV-BG et à RSB élevé, les performances sont dégradées : la perte de RSB
peut atteindre 8 dB. En revanche, lorsque le récepteur MV-BI est appliqué, nous obtenons
un gain important de RSB pour le même TEB.
Nous avons ensuite évalué la consommation d’énergie des systèmes MIMO coopératifs
en présence de ce bruit et dans l’environnement du poste HT des Laurentides au Québec.
Le simulateur de canal développé par XLIM-SIC a permis de simuler deux configurations
des capteurs placés dans la scène. Une augmentation considérable d’énergie consommée a
été constaté dans le cas du bruit impulsionnel mais elle est minimisée par l’application de
récepteur MV-BI. Ce récepteur est plus complexe que celui de MV-BG mais il peut être
installé au DGN qui assure alors le calcul nécessaire. Comme le récepteur MV-BI nécessite
la connaissance des paramètres du modèle de bruit (A, Γ et ρ), il doit être associé à un
estimateur de bruit.
137
Plusieurs travaux pourront être menés à partir des axes de recherche considérés dans
ce manuscrit :
- De nouvelles techniques de précodage pourront être étudiées comme les Codes-Précodeurs

X et Y [81], [82]. Selon les auteurs, dans les X-Codes et Y-Codes, la matrice de précodage
Fd peut être calculée a priori pour un canal de Rayleigh et ne pas changer à chaque
réalisation du canal. C’est-à-dire que seule la matrice Fv sera envoyée dans le canal de
retour limitant ainsi l’information de retour envoyée. Les Codes/Précodeurs X et Y sem-
blent présenter des performances intéressantes avec moins de complexité.
- La quantification du max-dmin s’appuie sur la construction d’un dictionnaire pour les ma-
trices Fv et Fd . Nous avons montré que la construction du dictionnaire n’est pas facile car
le modèle du canal de transmission et ses statistiques doivent être prises en compte. Dès
lors, pour chaque modèle de canal considéré, il faut construire un dictionnaire. Dans nos
travaux, seul un dictionnaire pour le canal de Rayleigh a été construit. Toutefois, il serait
important d’anticiper le changement des statistiques de canal pour le prendre en compte
dans la conception du système. Par conséquence, des travaux supplémentaires pourront
être effectuées sur la construction du dictionnaire pour d’autres modèles de canaux.
Concernant le précodeur P-OSM, nous avons uniformément quantifié les deux angles θ
et θ1 sur les intervalles [0, π] et [−π/2, +π/2] respectivement. Il serait intéressant d’étudier
statistiquement la distribution des angles selon le canal MIMO (nr × nt ) considéré et
d’appliquer une quantification non-uniforme. Cela permettra peut-être de diminuer le
nombre de bits nécessaires pour la quantification.
En fait, l’application d’un canal de retour quantifié dans les systèmes MIMO à boucle
fermée attire actuellement beaucoup d’attention. Cependant, nous n’avons à présent au-
cune théorie générale de la communication MIMO avec un canal de retour quantifié. Une
étude approfondie de cette problématique semble nécessaire.
- Dans les systèmes coopératifs proposés, la phase d’initialisation nécessaire pour en-
voyer les symboles d’apprentissage pourra être exploitée afin de faire d’autres opérations.
Il serait donc intéressant d’utiliser cette phase pour effectuer une synchronisation initiale
des nœuds dans le cluster selon un certain algorithme. De plus, le canal de retour peut
être également exploité afin d’envoyer d’autres informations que la CSI. Nous envisageons
d’étudier certains mécanismes permettant l’agrégation de données dans le cluster [91].
Dans ce cas, le DGN peut envoyer des paramètres nécessaires pour cette opération dans
le canal de retour ce qui conduit à économiser plus d’énergie.
Dans notre étude, nous avons considéré un exemple type d’une communication coop-
érative entre un cluster de nt nœuds et un DGN [46], [53]. Rappelons que les nœuds
ne coopèrent qu’à l’émission et ils sont soumis à des contraintes strictes de consomma-
tion d’énergie alors que le DGN possède une alimentation et agit comme un système
multi-antennaire. Dans ce scénario, le DGN a assuré le plus possible de calculs nécessaires
pour les précodeurs : estimation du canal, SVD, codage, quantification, etc. Pour une
138
communication coopérative entre deux clusters (figure 1.10), les précodeurs ne sont pas
applicables car les nœuds coopérants à la réception ne peuvent pas assurer les calculs
précédents. Dans ce cas, le système OSTBC peut être utilisé [51]. En résumé, dans un
réseau de capteurs, les systèmes coopératifs max-dmin et P-OSM peuvent être trouvés en
parallèle avec le système coopératif OSTBC. Ils peuvent ensemble participer à réduire
considérablement la consommation globale d’énergie si les paramètres des systèmes sont
judicieusement choisis. La figure figure 5.15 présente un exemple où le système OSTBC
est utilisé entre les clusters alors que les systèmes max-dmin et P-OSM sont utilisés entre
les clusters et le DGN. Notons que le nombre de nœuds est choisi à titre d’exemple.
STBC
STBC
P-OSM
Cluster
max-dmin
max-dmin
DGN
STBC
STBC
Figure 5.15 - Exemple d’un réseau de capteurs avec plusieurs systèmes MIMO coopératifs
- L’étude réaliste des capteurs dans le poste électrique HT des Laurentides représente la
première étape de futurs travaux possibles. Les simulations permettent à Hydro-Québec
d’envisager et de caractériser le comportement des capteurs dans le poste avant de les in-
staller et sans se déplacer sur le site pour faire des tests. Ainsi, nous envisageons d’effectuer
plus de simulations et d’étudier plusieurs configurations des capteurs dans le poste.
139
Bibliographie
[1] J. Hart and K. Martinez, “Environmental sensor networks : A revolution in the

earth system science ?” Earth-Science Reviews, pp. 177–191, 2006.
[2] G. Simon, M. Maróti, A. Lédeczi, G. Balogh, B. Kusy, A. Nádas, G. Pap, J. Sallai,
and K. Frampton, “Sensor network-based countersniper system,” Proceedings of
the 2nd international conference on Embedded networked sensor systems, pp. 1–12,
ACM, Baltimore, MD, USA. 2004.
[3] B. Krishnamachari, Networking Wireless Sensors. Cambridge University Press,
2006.
[4] N. Xu, S. Rangwala, K. Chintalapudi, D. Ganesan, A. Broad, R. Govindan, and
D. Estrin, “A wireless sensor network for structural monitoring,” Proceedings of
the 2nd international conference on embedded networked Sensor systems, pp. 13–24,
ACM, Baltimore, MD, USA. 2004.
[5] G. W. Arnold, “Challenges and opportunities in smart grid : A position article,”
Proceedings of the IEEE, vol. 99, no. 6, pp. 922–927, 2011.
[6] B. L. Agba, Rapport interne. Tech. report, IREQ d’Hydro-Québec, 2010.
[7] A. Glavieux and M. Joindot, Communications numériques : introduction. Masson,
1997.
[8] J. G. Proakis, Digital communications. New York :McGraw-Hill, Fourth Edition,
2000.
[9] R. Hamming, “Error detecting and error correcting codes,” Bell. Syst. Tech. J.,
vol. 29, pp. 147–169, Apr. 1950.
[10] C. Berrou and A. Glavieux, “Near shannon limit error correcting coding and de-
coding : Turbo codes,” IEEE ICC, vol. 2/3, may 1993.
[11] M. C. Jeruchim, P. Balaban, and K. S. Shamugan, Simulation of communication
systems, Modeling, Methodology and Techniques. Kluwer, Second Edition, 2002.
[12] P. Guguen, “Techniques multi-antennes émission-réception- applications aux
réseaux domestiques sans fil,” Ph.D. Institut National des Sciences appliquées de
Rennes, 2003.
[13] A. Goldsmith, Wireless Communications. Cambridge University Press, 2005.
[14] F. T. TALOM, “Modélisation déterministe du canal de propagation indoor dans un
contexte ultra wide band,” Ph.D. INSA Rennes, 2005.
141
BIBLIOGRAPHIE
[15] M. Paetzold, Mobile fading channels. Wiley, 2002.

[16] J. D. Parsons, The mobile radio propagation channel. Wiley, 2000.
[17] J. Gibson, The Communications Handbook. CRC Press, 1997.
[18] R. G. Kouyoumjian, “Asymptotic high-frequency methods,” Proceedings of the
IEEE, no. 53, pp. 864–876, Aug. 1965.
[19] M. C. Lawton and J. P. McGeehan, “The application of a deterministic ray launching
algorithm for the prediction of radio channel characteristics in small-cell environ-
ments,” IEEE Transaction on Vehicular Technology, vol. 43, pp. 955–969, 1994.
[20] M. F. Iskander and Z. Yun, “Propagation prediction models for wireless communi-
cation systems,” IEEE Transactions on microwave theory and techniques, vol. 50,
no. 3, pp. 662–673, 2002.
[21] M. F. Catedra, J. Perez, F. S. de Adana, and O. Gutierrez, “Ecient ray-tracing
techniques for three-dimensional analyses of propagation in mobile communications,
application to picocell an microcell scenarios,” IEEE Antennas Propagation Mag,
vol. 40, no. 2, pp. 15–28, 1998.
[22] L. Aveneau, Y. Pousset, R. Vauzelle, and M. Mériaux, “Development and eval-
uations of physicial and computer optimizations for the UTD 3D model,” IEEE
Antennas and Propagation, Davos, Suisse, Apr. 2000.
[23] Y. Chartois, Y. Pousset, and R. Vauzelle, “A spatio-temporal radio channel charac-
terization with 3D ray tracing propagation model in urban environment,” in Pro-
ceedings of the IEEE International Symposium on Personal, Indoor and Mobile
Radio Communications, PIMRC, Barcelona, Spain, Sept. 2004.
[24] Bölcskei and A. Paulraj, The communications Handbook. CRC Press, 2002.
[25] B. L. Floch, M. Alard, , and C. Berrou, “Coded orthogonal frequency division
multiplex,” IEEE proceedings, vol. 83, no. 6, pp. 982–996, 1995.
[26] G. Burel, C. Bouder, , and O. Berder, “Detection of direct sequence spread spec-
trum transmissions without prior knowledge,” in IEEE Global telecommunications
conference(Globecom), pp. 236–239, San Antonio(TX), USA. Nov. 2001.
[27] R. G. Vaughan, “Polarization diversity in mobile communications,” in IEEE Trans-
actions on Vehicular Technology, vol. 39, pp. 177–186, 1990.
[28] H. Bölcskei, R. Nabar, V. Erceg, G. Gesbergand, and A. Paulraj, “Performance of
spatial multiplexing in the presence of polarization diversity,” IEEE ICASSP, vol. 4,
pp. 2437–2440, May 2001.
[29] B. A. Bjerke and J. G. Proakis, “Multiple-antenna diversity techniques for transmis-
sion over fading channels,” Proc. Wireless Communications and Networking Conf,
vol. 3, pp. 1038–1042, Sep. 1999.
[30] G. Foschini, “Layered space-time architecture for wireless communication in a fading
environment when using multi-element antennas,” Bell Labs. Tech. J, pp. 41–59,
Autumn 1996.
142
BIBLIOGRAPHIE
[31] G. Foschini and M. Gans, “On limits of wireless communications in fading environ-
ment when using multiple antennas,” Wireless Personal Communications, vol. 6,
pp. 331–335, 1998.
[32] B. Vrigneau, “Systèmes MIMO précodés optimisant la distance minimale : étude
des performances et extension du nombre de voies,” Ph.D. Université de Bretagne
occidentale, Brest, 2006.
[33] E. Larsson and P. Stoica, Space-Time Block Coding dor Wireless Communications.
Cambridge university press, 2003.
[34] S. M. Alamouti, “A simple diversity technique for wireless communications,” IEEE
J. Select. Areas Commun, vol. 16, pp. 1451–1458, Oct. 1998.
[35] V. Tarokh, N. Seshadri, and A. R. Calderbank, “Space-time codes for hight data
rate wireless communication : Performance criterion and code construction,” IEEE
Trans. Inform. Theory, vol. 44, pp. 744–765, Mar 1998.
[36] V. Tarokh, H. Jafarkhani, and A. R. Calderbank, “Space-time codes from orthogonal
designs,” IEEE Trans. Inform. Theory, vol. 45, no. 5, pp. 1456–1467, Jul. 1999.
[37] Y. Chartois, Y. Pousset, and R. Vauzelle, “A SISO and MIMO radio channel char-
acterization with a 3D ray tracing propagation model in urban environment.” Eu-
ropean Conference on Propagation and Systems, Mars 2005.
[38] G. Madi, B. Vrigneau, Y. Pousset, and R. Vauzelle, “A realistic MIMO time-variant
channel applied to diagonalizing precoders,” The 9th International Conference on
Intelligent Transport System Telecommunications, ITS-T, pp. 158–163, Lille France.
Oct. 2009.
[39] G. D. Golden, G. J. Foschini, P. W. Wolnianski, and R. A. Valenzuela, “V-BLAST :
A high capacity space-time architecture for the rich-scattering wireless channel,”
Proc. Int. Symp. Advanced Radio Technol, Sept. 1998.
[40] ——, “Detection algorithm an initial laboratory results using V-BLAST space-time
communication architecture,” Electronics Letters, vol. 1, no. 35, pp. 14–15, Jan.
2000.
[41] O. Damen, A. Chkeif, and J. C. Belfiore, “Lattice code decoder for space-time
codes,” Communications Letters, IEEE, vol. 4, no. 5, pp. 161–163, may 2000.
[42] H. Vikalo, B. Hassibi, and P. Stoica, “Efficient joint maximum-likelihood channel
estimation and signal detection,” Wireless Communications, IEEE Transactions on,
vol. 5, no. 7, pp. 1838–1845, july 2006.
[43] M. Stojnic, H. Vikalo, and B. Hassibi, “Further results on speeding up the sphere
decoder,” Acoustics, Speech and Signal Processing, 2006. ICASSP 2006 Proceedings.
IEEE International Conference on, vol. 4, may 2006.
[44] I. Stojmenovic, Handbook of Sensor Networks - Algorithms and Architectures. John
Wiley Sons, 2005.
143
BIBLIOGRAPHIE
[45] M. Horton and J. Suh, “A vision for wireless sensor networks,” in Microwave Sym-
posium Digest, 2005 IEEE MTT-S International, june 2005.
[46] S. K. Jayaweera, “Virtual MIMO-based cooperative communication for energy-
constrained wireless sensor networks,” IEEE Transactions on Wireless Communi-
cation, vol. 5, no. 5, pp. 984–989, May 2006.
[47] K. A. AGHA, “Réseaux de capteurs,” Techniques de l’ingénieur, Réf. H8500, Oct.
2010.
[48] J. Laneman and G. Wornell, “Distributed space-time-coded protocols for exploit-
ing cooperative diversity in wireless networks,” IEEE Transactions on Information
Theory, vol. 49, no. 10, pp. 2415–2425, 2003.
[49] X. Li, “Energy efficient wireless sensor networks with transmission diversity,” Elec-
tronics Letters, vol. 39, 2003.
[50] X. Li, M. Chen, and W. Liu, “Application of STBC-encoded cooperative transmis-
sions in wireless sensor networks,” IEEE Signal Processing Letters, vol. 12, no. 2,
pp. 134–137, 2005.
[51] S. Cui, A. J. Goldsmith, and A. Bahai, “Energy-efficiency of MIMO and cooper-
ative MIMO techniques in sensor networks,” IEEE Journal on Selected Areas in
Communications, vol. 22, no. 6, Aug. 2004.
[52] L. X. H. Dai and Q. Zhou, “Energy efficiency of MIMO transmission strategies in
wireless sensor networks,” in International Conference on Computing, Communica-
tions and Control Technologies (CCCT), Austin, TX, USA, Aug. 2004.
[53] S. K. Jayaweera and M. L. Chebolu, “Virtual MIMO and distributed signal pro-
cessing for sensor network- An integrated approachs,” IEEE International Conf. on
Communications (ICC ’05), Seoul, Korea, May 2005. Invited Paper.
[54] C. Long, H. Chen, and L. Li, “Energy-efficiency cooperative communications with
node selection for wireless sensor networks,” IEEE Pacific-Asia Workshop on Com-
putational Intelligence and Industrial Application, vol. 2, pp. 761–765, Los Alamitos,
CA, USA, 2008.
[55] T.-D. Nguyen, “Cooperative MIMO strategies for energy constrained wireless sensor
networks,” Ph.D. Université de Rennes 1, IRISA, 2009.
[56] M. Dong and L. Tong, “Optimal design and placement of pilot symbols for channel
estimation,” in Proceedings of the IEEE International Conference on Acoustics,
Speech, and Signal Processing ICASSP, USA, May 2011.
[57] Y. G. Li, “Simplified channel estimation for OFDM systems with multiple transmit
antennas,” Transactions on Wireless Communications, vol. 1, no. 1, pp. 67–75, Jan.
2002.
[58] C. Budianu and L. Tong, “Channel estimation for space-time orthogonal block
codes,” in Proceedings of the IEEE International Conference Communications ICC,
2001.
144
BIBLIOGRAPHIE
[59] H. Artés and F. Hlawatsch, “Blind equalization of mimo channels using determinis-
tic precoding,” in Proceedings of the IEEE International Conference on Acoustics,
Speech, and Signal Processing ICASSP, pp. 2153–2156, May 2001.
[60] A. Grant, “Joint decoding and channel estimation for linear MIMO channels,” in
Proceedings of the Wireless Communication and Networking Conference, vol. 3, pp.
1009–1012, Sept. 2000.
[61] H. Bölcskei, R. W. Heath, and A. J. Paulraj, “Blind channel estimation in spatial
multiplexing systems using nonredundant antenna precoding,” in Proceedings of the
IEEE Asilomar Conference on Signals, Systems, and Computers CSSC, Oct. 1999.
[62] D. GORE, R. NABAR, and A. PAULRAJ, “Selecting an optimal set of transmit
antennas for a low rank matrix channel,” In Proceedings of the IEEE International
Conference on Acoustics, Speech and Signal Processing ICASSP, June 2000.
[63] E. Larsson and P. Stoica, Space-Time Block Coding dor Wireless Communications.
Cambridge university, 2003.
[64] S. M. Alamouti, “A simple diversity technique for wireless communications,” IEEE
J. Select. Areas Commun, vol. 16, pp. 1451–1458, Oct. 1998.
[65] V. Tarokh, N. Seshadri, and A. R. Calderbank, “Space-time codes for hight data
rate wireless communication : Performance criterion and code construction,” IEEE
Trans. Inform. Theory, vol. 44, pp. 744–765, Mar 1998.
[66] V. Tarokh, H. Jafarkhani, and A. R. Calderbank, “Space-time codes from orthogonal
designs,” IEEE Trans. Inform. Theory, vol. 45, no. 5, pp. 1456–1467, Jul. 1999.
[67] G. Tsoulos, MIMO system technology for wireless communications. CRC Press,
2006.
[68] C. Oestges and B. Clerckx, MIMO Wireless Communications : From Real-World
Propagation to Space-Time Code Design. ACADEMIC Presss, 2007.
[69] H. Jafarkhani and A. Calderbank, “A quasi-orthogonal space-time block code,”
IEEE Trans. Inform. Theory, 2001.
[70] H. Sampath, P. Stoica, and A. Paulraj, “Generalized linear precoder and decoder
design for MIMO channels using the weighted MMSE criterion,” IEEE Trans. Com-
mun, vol. 49, no. 2198-2206, p. 12, Dec. 2001.
[71] L. Collin, O. Berder, P. Rostaing, and G. Burel, “Optimal minimum distance-based
precoder for MIMO spatial multiplexing systems,” Signal Processing, IEEE Trans-
actions on, vol. 52, no. 3, pp. 617–627, 2004.
[72] P. Stoica and G. Ganesan, “Maximum-snr spatial-temporal for matting designs for
MIMO channels,” IEEE Transactions on Signal Processing, vol. 50, no. 3036-3042,
p. 12, Dec. 2002.
[73] A. Scaglione, P. Stoica, S. Barbarossa, G. Giannakis, and H. Sampath, “Optimal de-
signs for space-time linear precoders and decoders,” IEEE Trans. Signal Processing,
vol. 50, no. 5, pp. 1051–1064, May 2002.
145
BIBLIOGRAPHIE
[74] P. Rostaing, O. Berder, G. Burel, and L. Collin, “Minimum ber diagonal precoder
for MIMO digital transmissions,” Signal Processing, vol. 82, no. 1477-1480, p. 10,
Oct. 2002.
[75] X. Zhu and R. Murch, “Performance analysis of maximum likeliwood detection in
a MIMO antenna system,” IEEE Trans. Commun, vol. 50, pp. 187–191, Feb. 2002.
[76] L. Collin, “Optimisation de systèmes multi-antennes basée sur la distance mini-
male,” Ph.D. Université de Bretagne occidentale, Brest, 2002.
[77] Q. tuong, O. Berder, B. Vrigneau, and O. Sentieys, “Minimum distance based pre-
coder for MIMO-OFDM systems using a 16-QAM modulation,” IEEE ICC’09, Ger-
many, 2009.
[78] B. Vrigneau, J. Letessier, P. Rostaing, L. Collin, and G. Burel, “Extension of the
MIMO precoder based on the minimum euclidean distance : a cross-form matrix,”
IEEE Signal Processing, vol. 2, no. 2, pp. 135–146,, May 2008.
[79] ——, “Theoretical results about MIMO minimal distance precoder and perfor-
mances comparison,” IEICE Transactions on Communications, 2008.
[80] Q.-T. Ngo, O. Berder, and P. Scalart, “Neighbor-dmin precoder for three data-
stream MIMO systems,” 19th European Signal Processing Conference, EUSIPCO,
Barcelona, Spain. Sept. 2011.
[81] S. Mohammed, E. Viterbo, Y. Hong, and A. Chockalingam, “X- and y-codes for
MIMO precoding,” Information Theory Proceedings ISIT, 2010 IEEE International
Symposium on, no. 2143-2147, june 2010.
[82] ——, “MIMO precoding with x- and y-codes,” submitted to IEEE Trans. on Infor-
mation Theory, no. 2143-2147, Nov. 2009.
[83] D. Palomar, J. Cioffi, and M. Lagunas, “Joint tx-rx beamforming design for mul-
ticarrier MIMO channels : a unified framework for convex optimization,” Signal
Processing, IEEE Transactions on, vol. 51, no. 9, pp. 2381 – 2401, 2003.
[84] H. Lee, S. Park, and I. Lee, “Orthogonalized spatial multiplexing for closed-loop
MIMO systems,” IEEE Transactions on Communications, vol. 55, pp. 1044–1052,
2007.
[85] Y. Kim, H. Lee, S. Park, and I. Lee, “Optimal precoding for orthogonalized spatial
multiplexing in closed-loop MIMO systems,” IEEE Journal on Selected Areas in
communication, vol. 26, no. 8, 2008.
[86] H. Lee, S. Park, and I. Lee, “A new MIMO beamforming technique based on rota-
tion transformations,” Proceedings of IEEE International Conference on Commu-
nications, ICC, 2007.
[87] Y. Kim, H. Lee, S. Park, and I. Lee, “Optimal precoding for orthogonalized spa-
tial multiplexing in MIMO wireless systems,” Proceedings of IEEE International
Conference on Communications, ICC, 2008.
146
BIBLIOGRAPHIE
[88] B. Vrigneau, J. Letessier, P. Rostaing, L. Collin, and G. Burel, “Statistical compar-

ison between max-dmin, max-SNR and MMSE precoders.” Oct. 2006.
[89] D. J. Love, R. W. Heath, V. K. N. Lau, D. Gesbert, B. D. Rao, and M. Andrews, “An
overview of limited feedback in wireless communication systems,” Selected Areas in
Communications, IEEE Journal on, vol. 26, no. 8, pp. 1341–1365, 2008.
[90] D. J. Love, R. W. Heath, W. Santipach, and M. L. Honig, “What is the value of
limited feedback for MIMO channels ?” IEEE Communications Magazine, vol. 42,
no. 10, pp. 54–59, oct. 2004.
[91] S. Jayaweera, M. Chebolu, and R. Donapati, “Signal-processing-aided distributed
compression in virtual MIMO-based wireless sensor networks,” IEEE Transactions
on Vehicular Technology, vol. 56, no. 5, sept. 2007.
[92] G. Madi, B. Vrigneau, A.-M. Poussard, and R. Vauzelle, “Cooperative MIMO pre-
coders for energy-efficient transmission in wireless sensor network,” 19th European
Signal Processing Conference, EUSIPCO, Barcelona, Spain. Sept. 2011.
[93] D. J. Love and R. W. Heath, “Limited feedback unitary precoding for spatial mul-
tiplexing systems,” IEEE Trans. Inf. Th., vol. 51, no. 8, pp. 2967–2976, Aug. 2005.
[94] D. J. Love, R. W. Heath, and T. Strohmer, “Grassmannian beamforming for
multiple-input multiple-output wireless systems,” Information Theory, IEEE Trans-
actions on, vol. 49, pp. 2735–2747, Oct. 2003.
[95] J. C. Roh and B. D. Rao, “Efficient feedback methods for MIMO channels based on
parameterization,” IEEE Trans. on Wir. Com., vol. 6, no. 1, pp. 64–73, Jan. 2007.
[96] S. Zhou and B. Li, “BER criterion and codebook construction for finite-rate pre-
coded spatial multiplexing with linear receivers,” Signal Processing, IEEE Transac-
tions on, vol. 54, no. 5, May 2006.
[97] Y.-T. Kim, H. Lee, S. Park, and I. Lee, “Optimal precoding for orthogonalized spa-
tial multiplexing in closed-loop MIMO systems,” Selected Areas in Communications,
IEEE Journal on, vol. 26, no. 8, pp. 1556 –1566, oct. 2008.
[98] C. E. Shannon, “The zero error capacity of a noisy channel,” IRE Trans. Info.
Theory, vol. 2, no. 3, pp. 8–19, Sept. 1956.
[99] ——, “Channels with side information at the transmitter,” IBM Journal Research
and Dev., vol. 2, no. 3, pp. 289–293, Sept. 1958.
[100] G. L. Turin, “Signal design for sequential detection systems with feedback,” IEEE
Trans. Info. Th., vol. 11, pp. 401–408, 1965.
[101] J. Schalkwijk, “Coding scheme for additive noise channels with feedback,” IEEE
Trans. Info. Th., vol. 12, pp. 183–189, April 1966.
[102] J. Hayes, “Adaptive feedback communications,” IEEE Trans. Commun., vol. 16,
no. 1, pp. 29–34, Feb. 1968.
[103] X. Sun, L. J. Cimini, L. J. Greenstein, D. S. Chan, and B. Douglas, “Performance
evaluation of quantized feedback beamforming in IEEE 802.11n wireless networks,”
in Proc. Conf. Info. Sciences and Systems, pp. 884–888, Baltimore, MD, Mar. 2007.
147
BIBLIOGRAPHIE
[104] J. G. Andrews, A. Ghosh, and R. Muhamed, Fundamentals of WiMAX : Under-

standing Broadband Wireless Networking. Upper Saddle River, NJ : Prentice Hall,
2007.
[105] D. Gesbert, C. V. Rensburg, F. Tosato, and F. Kaltenberger, “Multiple antenna
techniques,” in UMTS Long Term Evolution (LTE) : From Theory to Practice, S.
Sesia, I. Toufik, and M. Baker, Eds. Wiley 2008, ch. 11.
[106] D. J. Love and R. W. Heath, “Limited feedback unitary precoding for orthogonal
space-time block codes,” IEEE Trans. on Sing. Proc., vol. 53, no. 1, pp. 64–73, Jan.
2005.
[107] J. C. Roh and B. D. Rao, “Transmit beamforming in multiple-antenna systems with
finite rate feedback : A VQ-based approach,” Information Theory, IEEE Transac-
tions on, vol. 52, no. 3, p. s, March 2006.
[108] D. Agrawal, T. J. Richardson, and R. L. Urbanke, “Multiple-antenna signal con-
stellations for fading channels,” IEEE Trans. Inf. Theory, vol. 47, pp. 2618–2626,
Sep. 2001.
[109] J. H. Conway, R. H. Hardin, and N. J. A. Sloane, “Packing lines, planes, etc. :
packings in grassmannian spaces,” Experimental Math, vol. 5, pp. 139–159, 1996.
[110] T. Strohmer and R. W. Heath, “Grassmannian frames with applications to coding
and communications,” Appl. Comput. Harmon. Anal., vol. 14, pp. 257–275, May
2003.
[111] A. Moldovan, G. Madi, B. Vrigneau, T. Palade, and R. Vauzelle, “SVD algorithms
and quantization applied to MIMO max-dmin based precoder,” Signal Processing
and Applied Mathematics for Electronics and Communications, SPAMEC, Cluj-
Napoca, Romania, Aug. 2011.
[112] M. Islam and K. Jinsang, “On the cooperative MIMO communication for energy-
efficient cluster-to-cluster transmission at wireless sensor network,” Annals of
Telecommunications, Springer Paris, vol. 65, pp. 325–340, 2010.
[113] G. L. Stüber, Principles of mobile communication. Kluwer Academic Publishers,
Second Edition, 2002.
[114] S. Cui, A. J. Goldsmith, and A. Bahai, “Energy-constrained modulation optimiza-
tion,” IEEE Transactions on Wireless Communication, Sept. 2005.
[115] S. Jayaweera, M. Chebolu, and R. Donapati, “Signal-processing-aided distributed
compression in virtual MIMO-based wireless sensor networks,” IEEE Transactions
on Vehicular Technology, vol. 56, no. 5, sept. 2007.
[116] A. Paulraj, R. Nabar, and D. Gore, Introduction to Space-Time Wireless Commu-
nications. Cambridge, U.K. : Cambridge Univ. Press, 3003.
[117] F. Xiong, Digital Modulation Techniques. Artech House Publishers, Second Edition,
2006.
148
BIBLIOGRAPHIE
[118] H. Myung, K. J.-L. Pan, R. Olesen, and D. Grieco, “Peak power characteristics of
single carrier FDMA MIMO precoding system,” VTC Fall, 2007.
[119] R. Min and A. Chandrakasan, “A framework for energy-scalable communication in
high-density wireless networks,” in Proceedings of the 2002 international symposium
on Low power electronics and design, ACM New York, 2002.
[120] B. Hassibi and B. M. Hochwald, “How much training is needed in multiple-antenna
wireless links,” IEEE Trans. Inform. Theory, Apr. 2003.
[121] S. Jagannathanand, H. Aghajan, and A. Goldsmith, “The effect of time synchro-
nization errors on the performance of cooperative MISO systems,” IEEE Global
Communications Conference, pp. 102–107, 2004.
[122] Y. Mei, Y. Hua, A. Swami, and B. Daneshrad, “Combating synchronization errors in
cooperative relays,” in Acoustics, Speech, and Signal Processing, 2005. Proceedings.
(ICASSP ’05). IEEE International Conference on, vol. 3, march 2005.
[123] T.-D. Nguyen, O. Berder, and O. Sentieys, “Impact of transmission synchronization
error and cooperative reception techniques on the performance of cooperative MIMO
systems,” in Communications, 2008. ICC ’08. IEEE International Conference on,
may 2008, pp. 4601–4605.
[124] H. Wan, J. F. Diouris, and G. Andrieux, “Effect of synchronization errors on Alam-
outi coding in wireless sensor networks,” in Wireless Communications and Network-
ing Conference, 2009. WCNC 2009. IEEE, april 2009, pp. 1–6.
[125] A. Willig, K. Matheus, and A. Wolisz, “Wireless technology in industrial networks,”
Proceedings of the IEEE, vol. 93, pp. 1130–1151, 2005.
[126] A. Shapoury and M. Kezunovic, “Noise profile of wireless channels in high voltage
substations,” IEEE Power Engineering Society General Meeting, 2007.
[127] A. Spaulding and D. Middleton, “Optimum reception in an impulsive interference
environment-part 1 : Coherent detection,” IEEE Transactions on Communications,
vol. COMM-25, no. 9, pp. 910–923, sept. 1977.
[128] G. Madi, B. Vrigneau, Y. Pousset, R. Vauzelle, and B. Agba, “Impulsive noise of
partial discharge and its impact on minimum distance-based precoder of MIMO
system,” 18th European Signal Processing Conference, EUSIPCO, Danemark. Sept.
2010.
[129] G. Madi, F. Sacuto, B. Vrigneau, B. Agba, Y. Pousset, R. Vauzelle, and F. Gagnon,
“Impacts of impulsive noise from partial discharges on wireless systems perfor-
mance : Application to MIMO precoders,” EURASIP Journal on Wireless Com-
munications and Networking, 2011 :186, 2011.
[130] F. Sacuto, Revue de littérature pour le projet CARMEN. École de technologie
supérieure, Montréal, 2009.
[131] R. Olsen and B. Stimson, “Predicting VHF/UHF electromagnetic noise from corona
on power-line conductors,” IEEE Transactions on Electromagnetic Compatibility,
vol. 30, no. 1, 1988.
149
BIBLIOGRAPHIE
[132] I. Portuguds, P. Moore, and I. Glover, “Characterisation of radio frequency interfer-

ence from high voltage electricity supply equipment,” IEE Conference Publications,
no. CP491, pp. 820–823, 2003.
[133] L. Jun-hao, S. Wen-rong, Y. Peng, L. Yan-mu, and L. Yan-ming, “Propagation char-
acteristic study of partial discharge UHF signal outside transformer,” International
Conference on Condition Monitoring and Diagnosis, vol. Beijing, 2008.
[134] W. Pakala and V. Chartier, “Radio noise measurements on overhead power lines
from 2.4 to 800 kv,” IEEE Transactions on Power Applications and Systems, vol.
PAS-90, pp. 1155–1165, 1971.
[135] F. Sacuto, Projet CARMEN : Mesures de décharges partielles au laboratoire CTT.
École de technologie supérieure, Montréal, 2009.
[136] D. Middleton, “Statistical-physical models of electromagnetic interference,” IEEE
Trans. Electromagn. Compat., vol. EMC-19, no. 3, pp. 106–127, Aug. 1977.
[137] A. Spaulding and D. Middleton, “Optimum reception in an impulsive interference
environmentpart ii : Incoherent detection,” IEEE Trans. Commun., vol. COMM-25,
pp. 924–934, Sept. 1977.
[138] D. Middleton, “Procedures for determining the properties of the first-order canonical
models of class a and class b electromagnetic interference,” IEEE Transactions on
Electromagnetic Compatibility, vol. 21, pp. 190–208, Aug. 1979.
[139] ——, “Canonical and quasi-canonical probability models of class a interference,”
IEEE Trans on Electromagnetic Compat., vol. 25, no. 2, pp. 76–105, 1983.
[140] ——, “Non-gaussian noise models in signal processing for telecommunications : New
methods and results for class a and class b noise models,” IEEE Transactions on
Information Theory, vol. 45, no. 4, pp. 1129–1149, May 1999.
[141] J.-S. Seo, S.-J. Cho, and K. Feher, “Impact of non-gaussian noise on the perfor-
mance of high-level QAM,” IEEE Transactions on Electromagnetic Compatibility,
vol. EMC-31, no. 2, pp. 177–180, May 1989.
[142] S. Miyamoto, M. Katayama, and N. Morinaga, “Performance analysis of QAM sys-
tems under class a impulsive noise environment,” IEEE Transactions on Electro-
magnetic Compatibility, vol. 37, no. 2, pp. 260–267, May 1995.
[143] J. F. Weng and S. H. Leung, “On the performance of DPSK in rician fading channels
with class a noise,” Vehicular Technology, IEEE Transactions on, vol. 49, no. 5, pp.
1934–1949, sep 2000.
[144] K. Gulati, A. Chopra, R. Heath, B. Evans, K. Tinsley, and X. Lin, “MIMO receiver
design in the presence of radio frequency interference,” IEEE Globecom, 2008.
[145] S. A. Bhatti, Q.Shan, I. A. Glover, R. Atkinson, and I. E. Portugues, “Impulsive
noise modelling and prediction of its impact on the performance of WLAN receiver,”
17th European Signal Processing Conference, EUSIPCO, Glasgow, Scotland. Sept.
2009.
150
BIBLIOGRAPHIE
[146] P. A. Delaney, “Signal detection in multivariate class-a interference,” IEEE Trans.

Commun., vol. 43, no. 2, pp. 365–373, 1995.
[147] S. M. Zabin and H. V. Poor, “Efficient estimation of class a noise parameters via
the em algorithms,” IEEE Transaction on Information Theory, vol. 37, no. 1, pp.
60–72, Jan. 1991.
[148] Y. Kim and G. Zhou, “The middleton class b model and its mixture representation,”
Centre for Signal and Image Processing, Tech. Report No. CSIP TR-98-01, Georgia
Institute of Technology, vol. Atlanta, GA, 30332-0250, May 1998.
[149] ——, “Representation of the middleton class-b model by symmetric alpha-stable
processes and chi-distributions,” Proceedings of the 4th International Conference on
Signal Processing, vol. 1, p. 180 :183, oct. 1998.
[150] Z. I. Botev, “A novel nonparametric density estimator,” The University of Queens-
land, Tech. Rep, Nov. 2006.
[151] M. Basseville, “Information : entropies, divergences and mean values,” IRISA 1020,
Rennes (France) : Institute of Research in Computer Sciences and Random Systems,
1996.
[152] T. N. Zogakis, P. S. Chow, J. T. Aslanis, and J. M. Cioffi, “Impulse noise mitigation
strategies for multicarrier modulation,” Proc. IEEE Internat Conf. Comm, vol. 2,
pp. 784–788, Geneva, May 1993.
[153] T. Faber, T. Scholand, and P. Jung, “On turbo codes for environments impaired by
impulsive noise,” Vehicular Technology Conference, VTC2004-Fall, April 2004.
[154] F. H. Gregorio, J. E. Cousseau, and J. L. Figueroa, “Reducing impulsive noise in
DSL systems -robustness and delay,” Proceedings of the 6th Nordic Signal Processing
Symposium - NORSIG, June 2004.
151
Bibliographie personnelle
Articles dans des revues à comité de lecture
[1] G. Madi, F. Sacuto, B. Vrigneau, B. Agba, Y. Pousset, R. Vauzelle, F. Gagnon. Im-

pacts of Impulsive Noise from Partial Discharges on Wireless Systems Performance :
Application to MIMO Precoders. EURASIP Journal on Wireless Communications
and Networking, 2011 :186.
Communications dans des conférences internationales à comité de lecture
[1] G. Madi, C. Nsiala-Nzéza, B. Vrigneau, Y. Cocheril, M. Berbineau, R. Vauzelle.

Comparison of max-dmin and P-OSM Precoders performance for robust and high
data rate MIMO transmissions in underground tunnels. 74th IEEE Vehicular Tech-
nology Conference : VTC2011-Fall. USA, Sept. 2011.
[2] G. Madi, B. Vrigneau, A.-M. Poussard, R. Vauzelle. Cooperative MIMO Precoders
for Energy-efficient Transmission in Wireless Sensor Network. 19th European Signal
Processing Conference, EUSIPCO. Barcelona, Spain. Sept. 2011.
[3] A. Moldovan, G. Madi, B. Vrigneau, T. Palade, R. Vauzelle. SVD Algorithms and
Quantization Applied to MIMO Max-dmin Based Precoder. Signal Processing and
Applied Mathematics for Electronics and Communications, SPAMEC. Cluj-Napoca,
Romania. Aug. 2011.
[4] G. Madi, B. Vrigneau, Y. Pousset, R. Vauzelle, B. Agba. Impulsive noise of partial
discharge and its impact on minimum distance-based precoder of MIMO system.
18th European Signal Processing Conference, EUSIPCO. Danemark. Aug. 2010.
[5] G. Madi, B. Vrigneau, Y. Pousset, R. Vauzelle. A realistic MIMO time-variant
channel applied to diagonalizing precoders. International Conference on Intelligent
Transport System Telecommunications, ITST. Lille, France. Oct. 2009.
153
Bibliographie personnelle
Communications dans des conférences nationales à comité de lecture
[1] G. Madi, B. Vrigneau, A.-M. Poussard, R. Vauzelle. Intégration de précodeurs pour

MIMO coopératif dans un réseau de capteurs. Colloque du Groupe sur le Traitement
du Signal et des Images, GRETSI. Bordeaux, France. Sept. 2011.
[2] G. Madi, B. Vrigneau, Y. Pousset, R. Vauzelle. Performance du précodeur max-
dmin dans un canal MIMO réaliste avec mobilité. Première Conférence Francophone
sur les Technologies de l’Information, de la Communication et de la Géolocalisation
dans les Systèmes de Transports, CoGIST. St Quay Portrieux, Côtes d’Armor,
France. 2009.
154
Résumé
Les réseaux de capteurs ont de nombreuses perspectives d’utilisations dans des do-
maines variés et leur déploiement demande des nœuds autonomes en énergie. Ainsi,
la réduction de la consommation d’énergie afin d’augmenter la durée de vie du réseau
représente une contrainte très forte. L’enjeu de cette thèse est d’étudier l’application des
nouvelles techniques MIMO dans le contexte de coopération pour les réseaux de capteurs
afin de réduire la consommation l’énergie. Ces techniques sont basées sur les précodeurs
max-dmin et P-OSM qui nécessitent la connaissance du canal à l’émission (Channel State
Information ou CSI).
Afin de rendre l’utilisation de la CSI réaliste dans les réseaux de capteur, nous avons
quantifié l’information de retour de ces précodeurs avec comme objectif de réduire l’in-
formation envoyée vers l’émetteur dans le canal de retour tout en fournissant des per-
formances acceptables. Nous avons exploité certaines techniques de la littérature et pro-
posé d’autres pour effectuer cette quantification. Plusieurs schémas coopératifs sont alors
proposés pour la mise en place des précodeurs max-dmin et P-OSM avec un canal de
retour quantifié. Les performances des systèmes proposés en termes de consommation
d’énergie et de délai de transmission sont évaluées et analysées en les comparant avec le
système MIMO coopératif de la littérature basé sur des codes spatio-temporels (STBC).
Les résultats montrent que les systèmes proposés consomment moins d’énergie même en
présence d’une erreur de synchronisation entre les capteurs.
Nous nous sommes ensuite intéressés à l’application des réseaux de capteurs dans les
postes électriques haute-tension (HT) dans le contexte du ”Smart Grid”. L’objectif est
d’évaluer les performances des systèmes proposés en présence de bruit impulsionnel et
dans un environnement réel d’un poste électrique HT au Québec. En utilisant une série
de mesures de ce bruit effectuée par l’École de Technologie Supérieure de Montréal, nous
déterminons un modèle statistique du bruit impulsionnel. Nous proposons une extension
de ce modèle afin d’utiliser des systèmes multi-antennaires.
Mots clés : Réseaux de capteur, précodeurs MIMO, MIMO coopératif, consommation
d’énergie, bruit impulsionnel, poste électrique haute-tension.
155
Abstract
Wireless sensor networks (WSN) have a wide range of applications in various fields
and consist of a large number of low-cost, low-power distributed sensors. Energy efficiency
of sensors is the most critical issue in the system design of the network. The aim of this
thesis is to study the application of recent MIMO techniques in the context of cooperative
MIMO for WSN in order to reduce energy consumption. These techniques are based on
the max-dmin and P-OSM precoders which require the knowledge of the channel state
information (CSI) at transmitter.
To make the use of the CSI realistic in WSN, we quantized these two precoders.
The idea is to reduce the information sent on the feedback channel while still having
a good performance of the precoders. We used some techniques from the literature and
proposed others to perform this quantization. We then proposed various energy-efficient
cooperative schemes that allow the implementation of max-dmin and P-OSM precoders
with a quantized feedback channel. Performances of the proposed schemes in terms of
energy consumption and transmission delay are evaluated and analyzed by comparing
them with the space-time block codes (STBC) based cooperative scheme used in literature.
Results show that our proposed systems provide more energy savings than the STBC one
even in the presence of synchronization errors between the sensors.
We are further interested in the application of sensor networks in high-voltage substa-
tions in the context of the Smart Grid. The objective is to evaluate the performance of
proposed cooperative systems in the presence of impulsive noise and in a real environment
of high-voltage substation in Quebec. By using measured data of impulsive noise obtained
from the École de Technologie Supérieure of Montreal, we determined a statistical model
of the impulsive noise. In order to use the multi-antenna system, we propose an extension
of this model.
Key words : Sensor networks, MIMO precoders, cooperative MIMO, energy con-
sumption, impulsive noise, high-voltage substation.
157

Canal Rayleigh

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Canal Rayleigh

Încărcat de

Drepturi de autor:

Formate disponibile

THÈSE

pour l’obtention du Grade de

Optimisation d’un réseau de capteurs par techniques

Directeur de Thèse : Rodolphe VAUZELLE

Soutenue le 23/03/2012 devant la Commission d’Examen composée de :

Je souhaite ensuite exprimer ma plus profonde reconnaissance à Monsieur Rodolphe

Liste des acronymes et abréviations vii

1 Les communications numériques et les systèmes MIMO 7

2 Les techniques MIMO 29

2.4.2 Canal réaliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3 La quantiﬁcation des précodeurs max-dmin et P-OSM 55

4 Précodeurs coopératifs max-dmin et P-OSM pour les réseaux de capteurs 79

5 Réseaux de capteurs : application aux postes électriques haute-tension111

Conclusion et perspectives 135

Bibliographie personnelle 153

3GPP 3rd Generation Partnership Project

OSTBC Orthogonal Space-Time Block Code

nt nombre d’antennes à l’émission

1.1 Schéma d’une chaı̂ne de communication numérique . . . . . . . . . . . . . . 8

2.1 Transmission MIMO utilisant des OSTBC . . . . . . . . . . . . . . . . . . . . 33

3.1 Principe général de la quantiﬁcation de l’information de retour . . . . . . . 58

4.1 Un exemple type de MIMO coopératif dans les réseaux de capteurs . . . . 81

5.1 Décharges partielles internes et externes . . . . . . . . . . . . . . . . . . . . . 114

5.6 TEB des précodeurs max-dmin et P-OSM en présence de bruits impulsion-

Cette nouvelle technologie promet de révolutionner notre façon de vivre, de travailler

De nombreux domaines d’applications sont alors envisagés tels que la télédétection et la

- Applications environnementales : Dans ce domaine nous pouvons mentionner

- Applications militaires : Comme beaucoup d’autres technologies de l’informa-

- Applications liées à la sécurité : Comme exemples d’applications de ce type nous

- Applications industrielles : Parmi ces applications nous citons un exemples typ-

Dans la majorité de ces applications, les circuits émetteurs/récepteurs des capteurs

ration scientiﬁque entre le département SIC (Université de Poitiers) du laboratoire XLIM

Nous terminerons ce manuscrit par une conclusion et quelques perspectives.

1.2 Chaı̂ne de communication numérique

Décodeur Décodeur Démodulateur

Figure 1.1 - Schéma d’une chaı̂ne de communication numérique

Les modulations numériques

Il existe diﬀérentes modulations permettant de transmettre des informations numé-

1.3 Le canal d’un système mono-antennaire (SISO)

1.3.1 Le bruit radio-électrique

1.3.2 Propriétés des canaux radio mobiles

– L’atténuation à grande échelle : elle représente l’atténuation moyenne du signal

– L’atténuation à moyenne échelle : elle se présente sous la forme de variations

Figure 1.3 - Variations de la puissance reçue dans un canal radio mobile

– L’atténuation à petite échelle :elle se présente sous la forme de ﬂuctuations du

On déﬁnit ces interactions telles que :

– La diﬀusion : elle intervient lorsque l’onde rencontre, lors de sa propagation, un

– La diﬀraction : lorsqu’une onde se propage et qu’elle rencontre l’arête ou la pointe

Figure 1.4 - Phénomène de multi-trajets lors de la propagation de l’onde dans un environnement

Dans le cas de transmission de signaux numériques sous la forme d’impulsions, nous

où τm est le retard moyen calculé par :

En plus de ces diﬀérents évanouissements présentés précédemment, le signal peut être

Canal bande étroite

1.3.3 Modélisation du canal de transmission radio

1.3.3.1 Modèles déterministes

Ce modèle permet de modéliser les variations à grande échelle en calculant la puis-

où PX et PY représentent respectivement les puissances d’émission et de réception en

Modèle à exposant (log-distance path-loss model) :

modèle est donnée par l’expression suivante [17] :

1. Modèle à lancer de rayons : le principe de la méthode à lancer de rayons consiste

2. Modèle à tracé de rayons : Le modèle à tracé de rayons [20],[21] détermine sans

Nous présentons maintenant un simulateur de canal basé sur le tracé de rayons et

Ce logiciel représente un modèle de propagation déterministe qui a été totalement

où ai est l’atténuation du trajet i retardé de τi et la phase θi dépend de l’interaction