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

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

theses.eurasip.org
from theses.eurasip.org More from this publisher
12.07.2015 Views

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

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.

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!