TH`ESE - Library of Ph.D. Theses | EURASIP

3.6. Minimisation du TEB 9510 010 −1P TX[dB]2D Eigen−BeamformingCPA ( β= 0.3 ) − L=2mBER−TD−DB − L=210 −2TEB10 −310 −40 5 10 15 20 25 30Fig. 3.27: Scénario NLOS pour ∆ =5 ◦ et modulation 4-QAM.entraîner un changement important de la matrice R k et conduire, par conséquent, àun changement important du précodeur ω k+1 à l’itération d’après. Pour éviter cela,il faut réduire la valeur de µ.La figure 3.26(a) montre la convergence pour une puissance d’émission de 0 dB etµ =1. On voit que la convergence est assez rapide. On peut dire qu’une seule itérationsuffit pour que l’algorithme converge (à partir de l’initialisation proposée). Au-delàde cette première itération, on raffine la solution, comme on peut voir par la norme del’adaptation qui décroît au cours des itérations. Cependant, ce raffinement n’apportepas d’amélioration significative au TEB. On peut dire de même pour une puissanced’émission de 30 dB, dont la convergence est montrée dans la figure 3.26(b), où ona utilisé µ =0,6. On a dû réduire le pas d’adaptation dû aux faibles TEB résultants.On observe que cela entraîne une réduction de la vitesse de convergence. Néanmoins,la convergence reste rapide, typiquement en moins de 10 itérations. Dans la suite,on a utilisé µ =0, 6 comme pas d’adaptation fixe pour n’importe quelle puissanced’émission.La figure 3.27 montre le TEB des techniques simulées en fonction de la puissanced’émission. On note que la technique mBER-TD-DB est capable d’atteindre la solutionoptimale et qu’elle conduit aux mêmes performances que l’Eig-BF, même dansla région où la technique CPA présente une dégradation par rapport à cette solutionoptimale.La technique mBER-TD-DB arrive à de meilleures performances que le CPA carelle est capable de s’adapter aux différentes conditions de RSB de façon automatique.Cela est fait par le biais de la fonction f(·) qui pondère les matrices de covariance.