Estimation de Canaux Parcimonieux pour la Radio Logicielle

par Elaine Crespo Marques

Projet de thèse en Réseaux, information et communications

Sous la direction de Lirida Naviner.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne) , en partenariat avec Laboratoire de Traitement et Communication de l'Information (laboratoire) et de Télécom ParisTech (établissement de préparation de la thèse) depuis le 29-12-2016 .


  • Résumé

    Dans divers systèmes de communication, par exemple, la télévision haute définition (HDTV) [1], large bande HF [2], Ultra-WideBand [3] et les systèmes de communication sous-marine [4], les canaux sont considérés comme des canaux parcimonieux à trajets multiples. Leurs réponses impulsionnelles se caractérisent par quelques termes de trajets multiples qui sont largement séparés dans le temps. Avec la transmission à grande vitesse, la longueur d'un canal parcimonieux peut atteindre des centaines de intervalles de symboles, bien que la majorité des robinets dans le canal échantillonné sont près de zéro-évalués. Estimation de canal précise est un élément important de la communication numérique. En raison des réponses impulsionnelles parcimonieux de ces canaux, des techniques d'estimation traditionnelles telles que les least-squares (LS) résultat dans over-paramétrisation et donc la mauvaise performance de l'estimateur [5]. En outre, algoritms d'estimation classiques deviennent trop complexes pour faire face à ces canaux. Le développement d'algorithmes qui peuvent estimer le comportement du canal caractérisé par rapport à leur rareté a été d'un grand intérêt dans la recherche actuelle. Heureusement, la structure de ces canaux peut être exploitée en utilisant des algorithmes de reconstruction tels que Matching Pursuit (MP) [6], Basis Pursuit (BP) [7] et d'autres [8,9]. Étant donné que ces algorithmes sont mieux adaptés pour les canaux que nous considérons, ils donnent des estimations de canal plus précis que la traditionnelle méthode des least square [5]. Compte tenu de la rareté estimée du canal est possible d'améliorer la convergence de l'estimation en termes de nombre de la formation des symboles requis ou obtenir des estimations plus précises pour les systèmes existants. Au cours des dernières années, le développement de solutions technologiques dans les communications radio a donné la hausse à un nouveau modèle de radio appelée Software Defined Radio (SDR). Il est une technologie émergente dans laquelle les ressources précédemment basés dans le matériel est devenu défini par le logiciel et les utilisateurs peuvent également saisir de nouvelles applications tout en utilisant l'équipement radio [10].

  • Titre traduit

    Sparse Channels Estimation Applied in Software Defined Radio.


  • Résumé

    In various communication systems, for example, high-definition television (HDTV) [1], wideband HF [2], Ultra-WideBand [3] and underwater communication systems [4], the channels are considered sparse multipath channels. Their impulse responses are characterized by a few significant multipath terms that are widely separated in time. With high speed transmission, the length of a sampled sparse channel can reach hundreds of symbol intervals, although the majority of taps in the sampled channel are near zero-valued. Accurate channel estimation is an important component of digital communication. Due to the sparse impulse responses of these channels, traditional estimation techniques such as least-squares (LS) result in over-parameterization and thus poor performance of the estimator [5]. Futhermore, classical estimation algoritms become too complex for tackling these channels. The development of algorithms that can estimate the behavior of the channel characterized with respect to their sparsity has been of great interest in current research. Fortunately, the structure of these channels can be exploited using sparse reconstruction algorithms such as Matching Pursuit (MP) [6], Basis Pursuit (BP) [7] and others [8,9]. Since these algorithms are better suited for the channels we consider, they give more accurate channel estimates than the traditional least squares method [5]. Taking into account the estimated sparsity of the channel is possible to improve the convergence of the estimation in terms of the number of symbols training required or achieve more accurate estimations for existing systems. In recent years, the development of technological solutions in radio communications gave rising to a new radio model called Software Defined Radio (SDR). It is an emerging technology in which the resources previously based in hardware has become defined by software and users can also enter new applications while using the radio equipment [10].