TH`ESE - Library of Ph.D. Theses | EURASIP
TH`ESE - Library of Ph.D. Theses | EURASIP TH`ESE - Library of Ph.D. Theses | EURASIP
122 Chapitre 4. Techniques multi-utilisateursdu critère énoncé pour des valeurs particulières des contraintes (des TEB donnésdifférents des TEB cibles).La deuxième partie de l’algorithme est responsable de la mise à jour des puissancesd’émission de façon que les TEB se rapprochent des cibles. Autrement dit, lorsquel’on utilise ce nouveau jeu de puissances d’émission pour calculer les ω u , la solutiontrouvée correspond à des TEB qui se rapprochent encore des cibles.Cette première analyse montre le principe de fonctionnement de l’algorithme MUcBERcomme deux parties qui, chacune à son tour, adaptent les précodeurs ω u etles puissances p u pour optimiser le critère proposé. Cette analyse ne prouve pas laconvergence de l’algorithme, mais fournit des éléments qui peuvent être utilisés pourle faire dans le futur.4.6.2 Version stochastiqueDeux remarques nous mènent à proposer une version stochastique (ou adaptative)de l’algorithme MU-cBER. La première, de caractère plus physique, concerne la variationdu canal au cours du temps due au déplacement du mobile. Ce déplacement apour effet de changer les directions des trajets physiques qui lient la station de baseau mobile. Il se peut même qu’il y ait des trajets qui disparaissent et d’autres qui surgissentde façon dynamique. Il est donc important d’oublier le passé lointain et de nes’intéresser qu’à une période plus ou moins courte du passé proche pour inférer les caractéristiquesdu canal. La deuxième remarque, par souci d’implementation, concernele grand nombre de blocs qu’il faut moyenner (à la place des espérances dans l’algorithme)à chaque itération de l’algorithme pour obtenir les quantités nécessaires audéroulement de l’algorithme.Dans la version stochastique, les espérances seraient changées par des moyennesavec facteur d’oubli et, à chaque nouveau bloc b, une seule itération de l’algorithmeserait réalisée pour mettre à jour les précodeurs ω u (b) et les puissances p u (b). Notonsque maintenant l’indice d’itération est l’indice des blocs. Ainsi, par exemple,les matrices R j et ˜R k , originellement données par (4.19) et (4.20), seraient calculéescommeR j (b) = λ ′ R j (b − 1) + f( γ j (b − 1) )D j (b − 1) R j(b) (4.40)et˜R k (b) = λ ′ ˜Rk (b − 1) + f( γ k (b − 1) )D k (b − 1) γ k(b − 1)R k (b) , (4.41)où λ ′ est le facteur d’oubli, respectant la condition suivante : 0 ≪ λ ′ < 1. Les quantitésγ j (b − 1) et D j (b − 1) seraient les quantités a priori, calculées avec les précodeurs etles puissances à l’instant b − 1.
4.7. Conclusion 123La matrice A, équation (4.27), et les valeurs g j (p j ), équation (4.29), seraientcalculées de façon analogue, en utilisant le TEB a priori pour mettre à jour lespuissances.Ainsi, à chaque nouveau bloc b, les matrices de covariance R j (b) de tous les utilisateursseraient estimées et leurs valeurs utilisées pour calculer les nouvelles valeursde N j (b), D j (b), γ j (b), f ( γ j (b) ) , A(b) et du TEB a priori TEB j (b). Les multiplicateursde Lagrange λ(b) seraient donc mis à jour et leurs valeurs utilisées pour obtenirles nouvelles valeurs des matrices R INTj (b). À partir de ces matrices, les précodeursω j (b) seraient mis à jour. Finalement, les puissances p j (b) seraient mises à jour et lesnouvelles valeurs g j (p j , b) seraient obtenues en utilisant les quantités déjà calculées.4.6.3 Version dégradéeOn rappelle que la méthode proposé MU-cBER est basée sur la décomposition enéléments propres généralisée des matrices de covariance obtenues par des moyennespondérées des MCST estimées à chaque bloc, comme le montrent les équations (4.19)et (4.20). La même observation est valable pour la technique mono-utilisateur mBER-TD-DB, proposée à la section 3.6.De plus, on note que les pondérations des matrices de covariance sont telles que lesblocs qui présentent un meilleur TEB sont moins représentés dans la matrice de covariancemoyenne résultante et les blocs dont le TEB est important sont plus représentésdans la moyenne. On pourrait donc s’intéresser ( à simplifier ) ( ces ) pondérations, donnéespar f(γ b ) dans le cas mono-utilisateur et par f γ j (b)D jet f γ k (b)(b) D kγ(b) k (b) dans le cas multiutilisateur,par des fonctions plus simples du rapport signal à bruit γ j (b) ou mêmepar de simple seuils. De cette façon, on aboutirait à des algorithmes plus simples etmoins coûteux, mais bien probablement au prix d’une dégradation des performancesde la solution ainsi obtenue.4.7 ConclusionDans ce chapitre, on a proposé l’utilisation d’un précodeur à plusieurs couchesalliée à une technique de diversité de transmission dans le but de réduire la puissanced’émission nécessaire pour garantir le TEB cible des utilisateurs par rapportau schéma classique qui utiliserait un filtre purement spatial pour émettre. Cetteréduction est obtenue grâce à la diversité additionnée au lien.Pour exploiter au mieux ce schéma, on a proposé une technique, appelé Multi-Userconstrained BER (MU-cBER), basée sur la minimisation de la puissance d’émissionsous des contraintes sur le TEB de chaque utilisateur. Cette technique est une extensionde la technique mono-utilisateur mBER-TD-DB, proposée dans la section 3.6.Comme cette dernière, la technique MU-cBER n’est pas limitée au cas des canaux
- Page 91 and 92: 3.5. Minimisation de la variance 71
- Page 93 and 94: 3.5. Minimisation de la variance 73
- Page 95 and 96: 3.5. Minimisation de la variance 75
- Page 97 and 98: 3.5. Minimisation de la variance 77
- Page 99 and 100: 3.5. Minimisation de la variance 79
- Page 101 and 102: 3.5. Minimisation de la variance 81
- Page 103 and 104: 3.5. Minimisation de la variance 83
- Page 105 and 106: 3.6. Minimisation du TEB 85plat.On
- Page 107 and 108: 3.6. Minimisation du TEB 8710 0 RSB
- Page 109 and 110: 3.6. Minimisation du TEB 8910 2 γ
- Page 111 and 112: 4. Mise à jour de ω kω k = ω k
- Page 113 and 114: 3.6. Minimisation du TEB 933.6.4 R
- Page 115 and 116: 3.6. Minimisation du TEB 9510 010
- Page 117 and 118: 3.6. Minimisation du TEB 97351.1130
- Page 119: 3.7. Conclusion 99directivité vers
- Page 122 and 123: NF@ABCD N?@ABCDNR@ABCDI?J?@LD I?J?@
- Page 124 and 125: 104 Chapitre 4. Techniques multi-ut
- Page 126 and 127: 106 Chapitre 4. Techniques multi-ut
- Page 128 and 129: 108 Chapitre 4. Techniques multi-ut
- Page 130 and 131: 110 Chapitre 4. Techniques multi-ut
- Page 132 and 133: 112 Chapitre 4. Techniques multi-ut
- Page 134 and 135: 114 Chapitre 4. Techniques multi-ut
- Page 136 and 137: 116 Chapitre 4. Techniques multi-ut
- Page 138 and 139: 118 Chapitre 4. Techniques multi-ut
- Page 140 and 141: 120 Chapitre 4. Techniques multi-ut
- Page 144 and 145: 124 Chapitre 4. Techniques multi-ut
- Page 146 and 147: 126 Chapitre 5. Conclusion et persp
- Page 148 and 149: 128 Bibliographie[11] J. K. Cavers.
- Page 150 and 151: 130 Bibliographie[37] B. Raghothama
- Page 153 and 154: Index d’auteursAAlamouti, S. M.,
- Page 155: Travaux publiés pendant la thèseA
- Page 158 and 159: XXII SIMPÓSIO BRASILEIRO DE TELECO
- Page 160 and 161: XXII SIMPÓSIO BRASILEIRO DE TELECO
- Page 162 and 163: XXII SIMPÓSIO BRASILEIRO DE TELECO
- Page 164 and 165: ¢£¤¥¦¡¢¦¢¦ ¢£¤¥¦ ©
- Page 166 and 167: The gradient { of the unconstrained
- Page 168 and 169: VI INTERNATIONAL TELECOMMUNICATIONS
- Page 170 and 171: ¡¤¥¦§¨¡¢£¤¨ ¡¢¤¥¦§
- Page 172 and 173: VI INTERNATIONAL TELECOMMUNICATIONS
- Page 174: VI INTERNATIONAL TELECOMMUNICATIONS
122 Chapitre 4. Techniques multi-utilisateursdu critère énoncé pour des valeurs particulières des contraintes (des TEB donnésdifférents des TEB cibles).La deuxième partie de l’algorithme est responsable de la mise à jour des puissancesd’émission de façon que les TEB se rapprochent des cibles. Autrement dit, lorsquel’on utilise ce nouveau jeu de puissances d’émission pour calculer les ω u , la solutiontrouvée correspond à des TEB qui se rapprochent encore des cibles.Cette première analyse montre le principe de fonctionnement de l’algorithme MUcBERcomme deux parties qui, chacune à son tour, adaptent les précodeurs ω u etles puissances p u pour optimiser le critère proposé. Cette analyse ne prouve pas laconvergence de l’algorithme, mais fournit des éléments qui peuvent être utilisés pourle faire dans le futur.4.6.2 Version stochastiqueDeux remarques nous mènent à proposer une version stochastique (ou adaptative)de l’algorithme MU-cBER. La première, de caractère plus physique, concerne la variationdu canal au cours du temps due au déplacement du mobile. Ce déplacement apour effet de changer les directions des trajets physiques qui lient la station de baseau mobile. Il se peut même qu’il y ait des trajets qui disparaissent et d’autres qui surgissentde façon dynamique. Il est donc important d’oublier le passé lointain et de nes’intéresser qu’à une période plus ou moins courte du passé proche pour inférer les caractéristiquesdu canal. La deuxième remarque, par souci d’implementation, concernele grand nombre de blocs qu’il faut moyenner (à la place des espérances dans l’algorithme)à chaque itération de l’algorithme pour obtenir les quantités nécessaires audéroulement de l’algorithme.Dans la version stochastique, les espérances seraient changées par des moyennesavec facteur d’oubli et, à chaque nouveau bloc b, une seule itération de l’algorithmeserait réalisée pour mettre à jour les précodeurs ω u (b) et les puissances p u (b). Notonsque maintenant l’indice d’itération est l’indice des blocs. Ainsi, par exemple,les matrices R j et ˜R k , originellement données par (4.19) et (4.20), seraient calculéescommeR j (b) = λ ′ R j (b − 1) + f( γ j (b − 1) )D j (b − 1) R j(b) (4.40)et˜R k (b) = λ ′ ˜Rk (b − 1) + f( γ k (b − 1) )D k (b − 1) γ k(b − 1)R k (b) , (4.41)où λ ′ est le facteur d’oubli, respectant la condition suivante : 0 ≪ λ ′ < 1. Les quantitésγ j (b − 1) et D j (b − 1) seraient les quantités a priori, calculées avec les précodeurs etles puissances à l’instant b − 1.