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

126 Chapitre 5. Conclusion et perspectivespas être réglé de façon automatique en fonction de la puissance d’émission, comme ilserait souhaitable pour atteindre toujours le TEB minimal.Pour parvenir à surmonter cette difficulté, on a proposé un deuxième critère basédirectement sur la minimisation du TEB en réception, pour une puissance d’émissiondonnée. La technique résultante, appelée mBER-TD-DB (minimum BER-TransmitDiversity-Downlink Beamforming), est capable de régler de façon adaptative le compromisentre directivité et diversité pour minimiser le TEB. On a aussi montré, pardes résultats de simulations, les gains offerts par cette technique par rapport auxtechniques classiques de formation de voie ou de diversité de transmission.Dans le chapitre 4, on a étendu la technique mBER-TD-DB au contexte multiutilisateurs.Dans ce contexte, il est plus naturel de minimiser la puissance d’émissiontout en respectant des TEB cibles pour chaque utilisateur, plutôt que de minimiserles TEB des utilisateurs pour une puissance d’émission donnée. Partant de cecritère, on a proposé un algorithme itératif pour trouver la solution optimale, appeléMU-cBER (Multi-User constrained BER). Cet algorithme adapte conjointement lesprécodeurs et les puissances d’émission des utilisateurs de façon à minimiser la puissancetotale d’émission tout en respectant les TEB cibles des utilisateurs. La solutionainsi trouvée permet de compléter la formation de voie classique avec de la diversitéde transmission. L’utilisation de cette nouvelle approche conduit à des gains significatifsen termes de puissance d’émission par rapport aux techniques de formation devoie multi-utilisateurs classiques.En ce qui concerne l’algorithme MU-cBER, on a aussi présenté des idées et deséléments qui pourraient être à la base de la preuve de convergence de cet algorithme,ainsi que l’idée de base à propos d’une version stochastique de cet algorithme.Comme suite des travaux présentés, on envisage la simplification des algorithmesmBER-TD-DB et MU-cBER par la substitution des pondérations utilisées pourmoyenner les matrices de covariance par des fonctions plus simples ou même parde simples seuils, ainsi que le développement des versions stochastiques de ces algorithmes.D’autres aspects intéressants seraient l’étude plus détaillée de la convergencede ces algorithmes et l’étude de l’influence du nombre de blocs d’apprentissage surles performances de la solution trouvée. Quant à ce dernier point, il serait souhaitabled’évaluer les performances de la solution obtenue avec un plus faible nombrede blocs d’apprentissage dans des conditions de simulation plus près de la pratique.Finalement, on envisage d’évaluer le gain provenant de l’utilisation de la techniqueMU-cBER au niveau de la capacité des systèmes radio-mobiles.