Identification de canal déterministe et bayésienne en aveugle et semi-aveugle pour les communications sans fil

par Samir Mohamad Omar

Thèse de doctorat en Automatique et traitement du signal

Sous la direction de Dirk Slock et de Oussama Bazzi.

Soutenue en 2011

à Nice .


  • Résumé

    Au cours des deux dernières décennies il y a eu un grand intérêt dans l'estimation aveugle et semi-aveugle de canal en raison des avantages offerts par ces techniques sur celles utilisant des séquences pilote. L'avantage le plus connu est l'augmentation du débit en raison de la réduction de la longueur de la séquence pilote nécessaire pour l'estimation du canal dans le récepteur. Par ailleurs, les techniques semi-aveugles sont capables d'estimer le canal dans certaines situations où l'utilisation des pilotes échoue. Il existe un tas d'algorithmes qui exploitent soit les statistiques du second ordre (SOS) ou les statistiques d'ordre supérieur (HOS) qui ont été développés et analysés dans la littérature. Récemment, ce sujet a été traité dans le contexte du codage block espace-temps (STBC), des réseaux neurones, du scenario multi-utilisateurs, et de la radio cognitive pour n'en citer que quelques-uns. Dans la première partie de cette thèse, nous traitons l'estimation aveugle de canal dans le contexte des systèmes SIMO et MIMO avec préfixe cyclique (CP). Nous proposons une nouvelle approche qui consiste à structurer la réalisation de la matrice de covariance permettant ainsi une amélioration significative de la qualité d'estimation, même quand seulement un seul symbole OFDM est disponible au niveau du récepteur. D'autre part, nous fournissons une analyse analytique de la performance de certains algorithmes SOS avec préfixe cyclique (CP) qui permet de mettre en évidence certaines caractéristiques de ces algorithmes et inspire la dérivation de versions améliorées. A la fin de cette partie, nous introduisons l'approche variationelle Baysienne pour effectuer l'estimation jointe ML/MAP d'estimation du canal et des symboles. Dans la deuxième partie, nous introduisons et élaborons une approche Baysienne classique pour estimer le canal et les symboles dans le contexte des systèmes SIMO aveugles et semi-aveugles. En conséquence, six différents estimateurs ML / MAP sont dérivés et leurs performances sont comparés numériquement en effectuant des simulations Monte-Carlo. Par ailleurs, nous dérivons les bornes de Cramer-Rao (CRB) correspondant aux différents scénarios de ces estimateurs. A la fin de cette partie, nous proposons une nouvelle approche quasi Bayesienne qui exploite la connaissance du profil de délai de puissance (PDP) du canal pour estimer une partie des coefficients de canal tout en négligeant les autres. Cette approche peut être mise en oeuvre dans diverses algorithmes déterministes qui existent dans la littérature, ce qui permet leur extension vers une catégorie qui se situe à mi-chemin entre les techniques déterministes et Bayesiennes. Nous montrons par des simulations et en dérivant les CRBs correspondant que cette approche conduit à une amélioration considérable de la performance de nombreux algorithmes déterministes tant en termes de l'erreur quadratique moyenne normalisé (NMSE) ou de la probabilité d'erreur sur les symboles (SER). Enfin, dans la troisième partie, nous nous concentrons sur les performances des égaliseurs linéaires et des égaliseurs à retour de décision "Decision Feedback" (DFE) à forçage à zéro (ZF) pour des canaux à évanouissements quand ils sont basés sur l'estimation (semi-) aveugle du canal. Bien qu'il est connu que les diverses techniques d'estimation de canal (semi-) aveugle ont en contrepartie un récepteur qui leur est adapté en termes d’hypothèses sur les connaissances des symboles, nous montrons ici que ces techniques (semi- ) aveugles et les récepteurs correspondant concordent aussi en termes de l'ordre de la diversité : le canal devient non-identifiable en (semi-) aveugle dès que le récepteur correspondant subit un évanouissement. Dans le cas d'un récepteur et une technique d'estimation de canal (semi-aveugle) non concordants, c'est l'ordre inférieur de la diversité qui domine. Différents cas d'estimation (semi-) aveugle de canal et de récepteurs correspondants sont examinés en détail.

  • Titre traduit

    Deterministic and bayesian blind and semi-blind channel identification for wireless communications


  • Résumé

    During the last two decades there has been a great interest in blind and semiblind channel estimation due to the advantages offered by these techniques over training-based ones. The most prominent is the augmentation of the throughput as a result of reducing the length of the training sequence/pilots required to estimate the channel at the receiver. Moreover, semi-blind techniques have the potential to estimate the channel in some situations where the training-based techniques fail. There exists a slew of algorithms that exploit either the second order statistics (SOS) or the higher order statistics (HOS) that have been derived and analyzed in the literature. Recently, this topic has been treated in the context of Space Time Block Coding (STBC), neural networks, multiuser scenario and cognitive radio, to name a few. In the first part of this thesis, we treat the blind channel estimation in the context of SIMO and MIMO cyclic prefix (CP) systems. We propose a novel approach to structure the sample covariance matrix, which in turn leads to a significant enhancement in the estimation quality, even when there is only a single OFDM symbol available at the receiver. On the other hand, we provide an analytical performance analysis of some CP SOS-based algorithms that permits to highlight some features of these algorithms and inspires the derivation of enhanced versions. At the end of this part, we introduce the variational Bayesian approach to carry out the joint ML/MAP estimation of channel and symbols. In the second part, we introduce and elaborate a classical Bayesian approach to estimate the channel and the symbols in the context of blind and semiblind SIMO systems. As a consequence, six different ML/MAP estimators are derived and their performances are compared numerically by conducting Monte-Carlo simulations. Furthermore, we derive the corresponding Cramer-Rao Bounds (CRBs) for the various scenarios of these estimators. At the end of this part, we propose a novel quasi-Bayesian approach that exploits the knowledge of the power delay profile (PDP) to estimate only part of the channel taps while neglecting the rest. This approach can be applied to various deterministic algorithms that exist in the literature, allowing their extension to a point that is midway between deterministic and Bayesian approaches. We show by simulations and by deriving the corresponding CRBs how this approach leads to a considerable improvement in the performance of many deterministic algorithms in terms of both Normalized Mean Squared Error (NMSE) and Symbol Error Probability (SER). Finally, in the third part we focus on the performance of Zero-Forcing (ZF) Linear Equalizers (LEs) or Decision-Feedback Equalizers (DFEs) for fading channels when they are based on (semi-)blind channel estimates. Although it has been known that various (semi-)blind channel estimation techniques have a receiver counterpart that is matched in terms of symbol knowledge hypotheses, we show here that these (semi-)blind techniques and corresponding receivers also match in terms of diversity order: the channel becomes (semi-)blindly unidentifiable whenever its corresponding receiver structure goes in outage. In the case of mismatched receiver and (semi-blind) channel estimation technique, the lower diversity order dominates. Various cases of (semi-)blind channel estimation and corresponding receivers are considered in detail.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (xviii-163 f.)
  • Annexes : Bibliogr. f. 155-163. Résumés en français et en anglais

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université Nice Sophia Antipolis. Service commun de la documentation. Bibliothèque Sciences.
  • Non disponible pour le PEB
  • Cote : 11NICE4116
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.