See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/281460203

Simulation des performances des antennes intelligentes par approches

analytiques

Article · September 2015

CITATIONS READS

0 1,726

2 authors:

Emmanuel Tonye Simon Kepchabe

University of Yaounde I University of Yaounde I
208 PUBLICATIONS   547 CITATIONS    4 PUBLICATIONS   3 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Appropriation des savoirs et savoir-faire lors des transferts electroniques d'argent sur téléphones mobiles en zone rurale View project

propagation models Modeling and optimization based on heuristic and analytic approach: PhD thesis View project

All content following this page was uploaded by Emmanuel Tonye on 04 September 2015.

The user has requested enhancement of the downloaded file.

 Simulation des performances des antennes intelligentes par approches
analytiques
Emmanuel Tonye1, Simon Kepchabe2
1
Département des génies électriques et des télécommunications, Ecole Nationale Polytechnique, Université de Yaoundé I.
2
Département de Physique, Faculté des Sciences, Université de Yaoundé I.
1
tonyee@hotmail.com, 2kepchabe@yahoo.fr
Voir version anglaise http://www.ijemr.net/DOC/PerformanceAnalysisOfAnalyticalApproachesToSmartAntennasModeling%28320-331%29.pdf
ABSTRACT
Cet article présente les résultats de simulation sous
MATLAB de diverses approches analytiques en vue de la
modélisation des antennes planaires adaptatives. Ces
dernières, qui se présentent sous forme de réseaux linéaire,
carré ou circulaire, sont souvent implémentées en deux étapes
successives : la détermination des directions d’arrivées, suivie
de la formation de faisceaux dans ces directions. Dans la
littérature, divers laboratoires ont implémenté l’une ou
l’autre de ces étapes en s’appuyant sur l’une ou l’autre de ces
configurations. Pour notre part, nous présentons les résultats
aussi bien de la première étape que de la deuxième, sur tous
ces trois types de configurations. En plus, nous implémentons
toute une pléiade de méthodes afin de déterminer celle qui
sied le mieux à chaque réseau d’antennes. Ceci nous a
conduits à développer un outil de simulation de performances
des antennes intelligentes par approches analytiques.
Keywords—Antennes intelligentes, antenne planaire
adaptative, approches analytiques, directions d’arrivées,
formation de faisceaux.
I. INTRODUCTION
Une antenne intelligente est un système constitué
d’une série linéaire, planaire, circulaire ou volumique
d’antennes élémentaires et d’un processeur numérique de
signaux dans lequel sont implémentés des algorithmes
adaptatifs permettant de piloter en temps réels leurs
diagrammes de rayonnement. Ceci est réalisé en deux
phases successives : la détermination des directions
d’arrivées, suivie de la focalisation du rayonnement dans
ces directions. L’implémentation de ces algorithmes
demeure un défi majeur.
Les approches analytiques, dites aussi
constructives, qui regroupent des méthodes d’estimation et
d’optimisation sans contraintes reposant sur un formalisme
déjà établi [1], sont souvent employées en premier pour
simuler sur ordinateur le modèle mathématique développé.
Une étude approfondie des résultats et de l’influence des
différents paramètres caractéristiques permettra alors de
valider l’utilité du modèle [2], qui pourrait servir pour une
éventuelle optimisation, prédiction, voire caractérisation.
Pour l’estimation des directions d’arrivées, nous
implémentons les algorithmes Bartlett, Prony, MVDR,
MEM, MMSE, MUSIC et MIN-NORM. Pour la formation
de faisceaux, nous implémentons le conformateur
conventionnel, celui à annulation de lobes, MVDR, DMI,
LMS, RLS et CMA.
Cet article est organisé comme suit : dans la
section 2, nous modélisons les trois configurations
principales d’antennes planaires adaptatives, dans la
section 3, nous passons en revue les principales méthodes
classiques d’implémentation, dans la section 4, nous
présentons l’outil de simulation et des résultats obtenus ;
résultats que nous validons avec ceux des articles [3], [4]
et [5] avant d’extrapoler.
II. MODELISATION
Pour chaque configuration, nous faisons les
hypothèses suivantes :
Tous les signaux incidents au réseau d’antennes
ne sont constitués que d’ondes planes.
L’émetteur et les objets causant le multi-trajet
sont tous situés dans la région de champ lointain.
Le couplage mutuel entre les divers éléments
d’antennes est négligeable.
La distance inter-éléments est très petite si bien
que les amplitudes des signaux reçus restent
constantes.
Cette distance est fixée à λ/2 mais modifiable sur
l’outil de simulation.
Chaque élément d’antenne possède le même
diagramme de rayonnement et la même
polarisation.
2.1. Réseau linéaire
Considérons M antennes uniformément espacés
de d sur lesquels arrivent L signaux (Fig.1).
y
-(m-1)dcosφ
φ φ
.z O
d
x
W1 W2 Wm WM
∑
Y(t)
Figure 1 : Réseau linéaire uniforme de M antennes
L’origine est en O, premier élément du réseau. Les
coordonnées de l’antenne de rang m sont (xm,ym,zm). Le
déphasage entre le signal reçu à l’origine et celui reçu par
l’élément de rang m est d’après [6] :
∆γm = γm(t) – γ1(t)
= − kxmcosϕsinθ − kymsinϕsinθ − kzmcosϕ (1)
où k = 2π/λ est le nombre d’onde et ϕ l’angle entre la
direction des signaux incidents et l’axe du réseau (Ox).
On a xm = (m−1)d et ym = zm = 0. D’autre part, θ = π/2 car lesquels arrivent L signaux en provenance de L sources
les éléments sont tous suivant (Ox). Dès lors : (Fig. 2).
∆γm = − kd(m−1)cosϕ (2) z

Remarquons que ∆γ1 = 0. Le signal arrivant sur le 1er

r
élément en provenance d’une source ℓ en absence de bruit Ondes incidentes θ
est : Sℓ(t) = mℓ(t)ej2πf0t (3) O 1
2

mℓ(t) est la fonction de modulation de la ℓième source et f0 3

2 3
4

la fréquence d’utilisation. Ce signal au niveau du mième 4

ymp
ϕ xmp M
élément, en présence de bruit, devient : y

xm(t) = mℓ(t) ej(2πf0t+∆γm) + bm(t) = Sℓ(t)am(ϕℓ) + bm(t) (4) M

où am(ϕℓ) = ej∆γm = e-jkd(m-1)cos(ϕℓ) (5) x (m,p)

et bm(t), la mième composante du bruit aléatoire constitué du ϕ

bruit de fond et du bruit électronique généré dans le canal
m. il est supposé blanc, à moyenne nulle et à variance
égale à σn2.
Dès lors, le vecteur déphasage du signal provenant d’une
source ℓ sur les différents éléments du réseau est :
a(ϕℓ) = [1, a2(ϕℓ), …, am(ϕℓ), …, aM(ϕℓ)]T (6)
où T est l’opérateur « transposée ».
Si nous considérons toutes les sources simultanément, le
signal reçu au mième élément est :
L
X m (t ) = ∑  ml (t ) e j (2π f0t +∆γ m )  + bm (t )
l =1
L = − kxmpcosϕsinθ − kympsinϕsinθ − kzmpcosϕ
= ∑  Sl (t ) am (φl )] + bm (t )
l =1
On peut alors définir le vecteur signal du réseau par :
X(t) = [X1(t), X2(t), …, Xm(t), …, XM(t)]T (8)
et le vecteur signal incident par :
S(t) = [S1(t), S2(t), …, Sℓ(t), …, SL(t)]T (9)
Le vecteur bruit est :
b(t) = [b1(t), b2(t),…, bm(t),…, bM(t)]T. (10)
La matrice déphasage (MxL) du réseau est donnée par :
A = [a(ϕ1), a(ϕ2), …, a(ϕℓ), …, a(ϕL)]. (11)
On peut donc écrire sous forme matricielle :
X(t) = AS(t) + b(t) (12)
En appelant W, le vecteur « pondérations » du réseau. On
peut écrire :
W = [w1, w2, …, wm, …, wM]T (13)
Figure 2 : Réseau carré uniforme de MxM éléments
L’élément de référence est l’un des sommets, origine du
repère (O, x, y, z).
Les coordonnées d’un élément de rangs respectifs m
suivant x et p suivant y seront notées (xmp, ymp, zmp).
En reprenant l’équation (1) et en considérant que zmp = 0,
xmp = (m-1)d, ymp = (p-1)d et θ = π/2, on obtient :
∆γmp = γmp(t) − γ1(t)
(7) = − kd[(m−1)cos(ϕ) + (p−1)sin(ϕ)] (18)
Le signal reçu sur le capteur en (m, p) et en provenance
d’une source ℓ est :
xmp(t) = mℓ(t)ej(2πf0t+∆γmp) +bmp(t) (19)
Où Sℓ(t) = mℓ(t)ej(2πf0t) est le signal incident reçu sur le
capteur de référence et bmp(t) le bruit additif sur le capteur
en (m, p). Dès lors :
Xmp(t) = Sℓ(t)ej∆γmp + bmp(t)
= Sℓ(t)amp(ϕℓ) + bmp(t) (20)
Où amp(ϕℓ) = ej∆γmp = e-jkd[(m-1)cos(ϕℓ) + (p-1)sin(ϕℓ)] (21)
En considérant toutes les sources ensemble, le signal
incident sur le capteur en (m, p) est :
L
X mp (t ) = ∑  Sl (t ) amp (φl )  + bmp (t ) (22)
l =1

La sortie du réseau d’antennes est alors obtenue par : Dès lors, le vecteur signal du réseau devient une matrice:
M
 x1 1 x1 2 ... x1 p ... x1 M 
Y (t ) = ∑ wm* xm (t ) = WHX(t) (14)  
m =1
 x 21 x 2 2 ... x 2 p ... x 2 M 
où H est l’opérateur « transposée du conjugué complexe ». X (t ) =  
(23)
Si les composantes de X(t) peuvent être x x m 2 ... x m p ... x m M
 m1 
modélisées par des processus stationnaires à moyennes  x M 1 x M 2 ... x M p ... x M M 
nulles, la puissance moyenne de sortie du réseau est :
P = E[Y(t)Y*(t)] = WHRxxW (15)
où E[.] est l’opérateur « espérance mathématique » et Rxx On peut aussi définir la matrice déphasage du signal
la matrice de corrélation du réseau. On a : provenant d’une source ℓ sur les différents éléments par :
Rxx = E[X(t)XH(t)] (16) 1 a12 ...a1 p ...a1 M 
En remplaçant X(t) par (12) et en développant, on obtient :  
Rxx = ASAH + σn2I (17)  a 21 a 22 ...a 2 p ...a 2 M 
Al = ( a m p (φ l )) =  
(24)
où I est la matrice identité d’ordre M. a a ...a ...a mM
 m 1 m 2 mp 
2.2. Réseau planaire  a M 1 a M 2 a M p ...a MM 
Considérons un réseau carré (par nécessité La matrice déphasage, produite par toutes les L sources,
d’inversion de matrices), comprenant MxM antennes sera une matrice à M lignes et MxL colonnes :
uniformément espacés de d = λ/2, supposés ponctuels, sur
 1 a12...a1M   Si nous considérons toutes les sources simultanément, le
  signal reçu au mième élément est :

 a21 a22...a2M 
( A )( A ) ...( AL )
L
A=  (25) X m (t ) = ∑ ml (t ) e j (2π f0t +∆γ m )  + bm (t )
am1 am2...amM  2 3 l =1
   L

aM1 aM2...aMM   = ∑  Sl (t ) am (ϕm , φl )] + bm (t ) (33)

l =1
Les équations (8), (9) et (10) restent les mêmes. La matrice
A déphasage (MxL) est alors donnée par :
Comme dans le cas linéaire, le vecteur signal incident sera A = [a(φm,ϕ1), a(φm,ϕ2), …, a(φm,ϕℓ), …, a(φm,ϕL)] (34)
toujours S(t) = [S1(t), S2(t), …, Sℓ(t), …, SL(t)]T. Les équations (12) à (17) restent les mêmes.
Le bruit sur l’ensemble du réseau devient une matrice B(t).
Dès lors sous forme matricielle, nous avons :
X(t) = AS(t) + B(t) (26) III. METHODOLOGY
D’autre part, le vecteur poids permettant la formation de
faisceaux devient une matrice MxM: Une approche analytique, à la base, consiste à
diviser un problème en différents sous-problèmes afin de
 w11 w 1 2 ...w 1 p ...w 1 M  les résoudre plus facilement ; à la fin, une solution globale
  est déduite [1]. Elle peut aussi être vue comme le fait de
 w 21 w 22 ...w 2 p ...w 2 M 
W =  
(27) résoudre à la main, grâce à une feuille et un crayon, un
w w 2 ...w ...w problème modélisé par des équations mathématiques dont
 m1 m mp mM

 w M 1 w M 2 ...w M p ...w M M
 il existe un formalisme reconnu de résolution. Cette
dernière approche est celle que nous considérons à la seule
Le signal obtenu en sortie du réseau est alors : différence qu’ici, ces équations ne sont plus résolues à la
M
 M  = WH X (t) main mais plutôt au moyen de l’ordinateur [2]. La
Y(t) =
∑  ∑ W mp X mp 
m =1  p =1
* (28)
modélisation des antennes intelligentes passe par deux

Comme pour le réseau linéaire, les équations (15), (16) et étapes successives : la détermination des directions
(17) permettront de calculer la puissance moyenne de d’arrivées et la formation conséquente de faisceaux.
sortie du réseau et d’évaluer la matrice de corrélation.
3.1. Les algorithmes classiques d’estimation de
directions d’arrivées (Directions Of Arrivals : DOA)
2.3. Réseau circulaire
On les regroupe en deux grandes catégories (Fig. 4) :
Considérons un réseau circulaire de rayon a Les méthodes d’estimation spectrale ;
(Fig.3), comprenant M éléments uniformément espacés, Les méthodes structurelles à valeurs propres (ou
contenu dans le plan (x,O,y). méthodes des sous espaces).
z
3.1.1. Les méthodes d’estimation spectrale [7],[8].
Ondes incidentes
d 3.1.1.1. La méthode de base : La transformée de
r Fourier spatiale
ϕ
Développée par BARTLETT, elle est l’une des premières
θ
ym
méthodes utilisées pour détecter les angles d'arrivées. Son
O
a
y principe est de réaliser la transformée de Fourier dans
2π
xm M l'espace des signaux reçus. Si on trace cette fonction pour
M m
1
2 3
une onde donnée, on obtient un pic d'énergie pour la
2π
direction dans laquelle se situe la source. Son pseudo
x
ϕ m = m .( ) spectre d’énergie est donné par :
M
Figure 3 : Réseau circulaire uniforme de M éléments 1 H
P= A Rxx A (35)
Les coordonnées d’un élément de rang m sont (xm, ym, zm). M2
On a θ = π/2 ; xm = acos(φm) ; ym = asin(φm) et zm = 0. En 3.1.1.2. La Méthode de prédiction linéaire
les intégrant dans l’équation (1), on obtient : Elle a été développée par PRONY en 1795. Son
∆γm = γm(t) − γ1(t) principe est de minimiser l'erreur de prédiction sur la
= − kxmcos(ϕ) − kymsin(ϕ) réponse d’un élément quelconque du réseau. La recherche
= − ka[cos(φm)cos(ϕ) − sin(φm)sin(ϕ)] (29) des coefficients de pondération qui vont minimiser la
Le signal reçu au niveau du mième élément est donné par : valeur moyenne de cette erreur conduit au pseudo spectre :
xm(t) = mℓ(t)ej(2πf0t+∆γm) + bm(t) u mH Rxx−1u m
= Sℓ(t)am(φm,ϕℓ) + bm(t) (30) P= (36)
| u mH Rxx−1 A |2
où am(φm,ϕℓ) = ej∆γm = e−jka[cos(φm)cos(ϕℓ) − sin(φm)sin(ϕℓ)] (31)
et bm(t), la mième composante du bruit aléatoire. Où um est la mième colonne de la matrice identité IM.
Le déphasage sur un signal provenant d’une source ℓ est :
a(φm,ϕℓ) = [1, a2(φm,ϕℓ), …, am(φm,ϕℓ), …, aM(φm,ϕℓ)]T (32)
3.1.1.3. Les Méthodes de maximum de Vraisemblance
(Maximum Likelihood Methods : MLM)
Elles sont développées suivant plusieurs critères :
La maximisation du Rapport Signal à Interférence
plus Bruit (RSIB) : Développée par CAPON en
1969, elle est basée sur une estimation sans biais et à
variance minimale (MVDR : Minimum Variance
Distorsionless Response). Son pseudo spectre est :
1 3.1.2.3. La méthode MUSIC (Multiple Signal
P = H −1 (37)
A R xx A
La minimisation de l’erreur quadratique : On
considère le problème comme un problème inverse, en
minimisant un critère aux moindres carrés :
mcr =|| X − AS ||2 (38)
L’objectif est de trouver pour quelle valeur de ϕ, mcr
est minimal. Pour cela, on fait :
d (mcr )
= −2 AH X + 2 AH AS = 0
dS
On trouve : S = ( A H A −1 ) A H X
(40) dans (38) permet d’obtenir :
mcr = || X − A ( A H A ) − 1 A H X ||2
On minimise alors mcr, qui ne contient comme seule
inconnue que le vecteur ϕ recherché, contenu dans A.
La minimisation d’une fonction coût f(ϕ) : Par
exemple dans [8],
f (φ) = ln det( APAH + qIM )
P=(AHA)−1 AHRxxA(AHA)−1 −
1
M−L
{ }
( HA)−1AH Rxx (AHA)−1 (43)
trace IM −AA
3.1.1.4. La méthode de maximum d’entropie
(Maximum Entropie Method : MEM)
Développé par BURG, on recherche les directions qui
1
maximisent le pseudo spectre : P = H (44)
A C m C mH A
Où Cm est la mième colonne de l’inverse de la matrice de
corrélation Rxx.
3.1.2. Les méthodes des sous espaces [7],[8].
Elles font suite historiquement à la méthode de
CAPON et s'appuient sur une décomposition de l'espace en
un espace signal (Es) et un espace bruit (Eb) par recherche
de valeurs propres.
3.1.2.1. La décomposition harmonique de
PISARENKO (MMSE : Minimum Mean
Square Error)
Son but est de minimiser l'erreur quadratique moyenne en
sortie du réseau sous la contrainte que la norme du vecteur
poids soit égale à unité. Le vecteur propre de la matrice de
corrélation correspondante est celui associé à la valeur
propre la plus petite. Son pseudo spectre est :
1
P= H
(45)
| A e1 |
où e1 est le vecteur propre associé à λ1.
3.1.2.2. La méthode de norme minimale
Développée par REDDI, KUMARESAN et TUFS, cette
méthode optimise le vecteur de pondération par la
résolution du système d’équations :
min(W H W ) ; E SH W = 0 ; W .e1 = 1 . (46)
La solution conduit au pseudo spectre :
1
P= (47)
| A H E b E bH e1 |2
Classification) [9]
La version de base a été proposée par SCHMIDT :
généralement, évaluer Rxx par l’expression (17) n’est pas
aisé. On utilise plutôt son estimée, toujours notée Rxx :
1 N
Rxx = ∑ X (t ) X H (t ) (48)
N t =1
où N est le nombre d’échantillons de l’expérience. En
calculant les valeurs propres de Rxx ainsi estimée (classés
par ordre décroissant), on obtient M vecteurs propres, dont
(39) les L premiers correspondent au sous espace signal Es, et
les (M-L) derniers, au sous espace bruit Eb.
(40) Donc, Es = [e1 e2 … eL] et Eb = [eL+1 eL+2 … eM].
On va ensuite tracer la fonction coût, qui réalise une
projection de l'espace bruit sur l'espace signal ; donc qui
(41)
cherche en fait pour quelles valeurs de ϕ l'espace bruit est
orthogonal à l'espace signal, ce qui correspond aux
directions d’arrivées recherchées. Cette fonction est le
pseudo spectre de MUSIC, donné par :
1
P= H (49)
| A Eb EbH A |
(42)
De même que la méthode de Capon, cette version de base
marche exclusivement pour des sources décorrélées. Des
variantes ont été développées dans [10] pour faire face à
des insuffisances afin de répondre à certaines conditions
particulières. On peut citer : Root-MUSIC qui a pour
objectif de décorréler les signaux ; Unitary-MUSIC qui a
pour objectif d’accélérer les calculs en réduisant la
complexité de ceux-ci par des transformations sur les
matrices de corrélation ; Smoothing-MUSIC qui a pour
objectif de décorréler les signaux par rehaussement de
l’ordre de la matrice d’autocorrélation lorsque le nombre
d’échantillons est relativement faible ; Cyclic-MUSIC qui
permet par prise en compte de phénomènes de cyclo-
stationnarité contenues dans le signal, d’augmenter le
nombre de DOA détectables de (M-1) à (2M-1).
3.1.2.4. ESPRIT (Estimation of Signal Parameters via
Rotationnal Invariance Techniques) [7]
La version de base décompose le réseau
d’antennes en deux sous-réseaux X et Y décalés de ∆. Le
signal reçu sur le second sous-réseau est alors déphasé par
rapport au premier. Au lieu de calculer les valeurs propres
d’une seule matrice d’autocorrélation puis parcourir un
spectre comme c’est le cas avec MUSIC, on le fait pour les
deux matrices RX et RY respectivement, puis on cherche la
matrice Ψ permettant de passer de l’une à l’autre. On en
déduit alors les angles d'arrivées par l’équation (50) :
θn = arcos[arg(λ1) / 2π∆] (50)
où ℓ= 1 … L et λℓ les valeurs propres de Ψ.
Les mêmes améliorations apportées à MUSIC sont souvent
appliquées à ESPRIT.
Nous résumons sur la Fig. 4, les principaux algorithmes
d’estimation de DOA.
Figure 4 : Principaux algorithmes de DOA
3.2. Les algorithmes de BEAMFORMING
Les modèles d’antennes réseaux développés au
paragraphe 2 permettent d’obtenir en absence de bruit :
X(t) = A(θ, ϕ)S. En remplaçant dans Y = WHX(t), on
obtient Y = WHA(θ, ϕ)S. On pose :
FR = WHA(θ,ϕ) (51)
FR représente le facteur de réseau. Il permet de calculer le
diagramme de rayonnement lorsque les poids des
différents éléments d’antennes sont connus. Conformer le
rayonnement suivant des directions privilégiées revient
alors à ajuster les différents poids. Sa valeur normalisée
est :
FR (θ , φ )
FRN = (52)
max( FR )
On recense principalement deux types de conformateurs :
les conformateurs fixes et ceux adaptatifs (Fig. 5).
3.2.1. Les conformateurs fixes
Ils sont indépendants des données d’utilisateurs
3.2.1.1. Le conformateur conventionnel [6]
Il est le plus simple à réaliser et est aussi connu
sous le nom de « sum-and-delay beamformer ».
Généralement, on l’utilise en combinaison avec MUSIC
pour pointer le lobe principal suivant une direction fixe
souhaitée. Tous ses poids ont la même valeur :
1 diagonale. Dans [6], cette matrice de « surcharge » atténue
W = A(θ 0 , φ0 ) (53)
M considérablement les effets des corrélations du bruit et
Le réseau possèdera alors une réponse unité dans la
direction d’observation. Ce type de « beamformer » ne
requiert aucune information sur le signal incident à
l’exception de la position de l’utilisateur ; c’est pourquoi il
n’est pas influencé par le bruit thermique des éléments
d’antennes. La seule source d’erreur est une éventuelle
erreur sur la direction d’observation désirée. Le
désavantage de cette technique est qu’il n’est pas possible
d’agir sur les niveaux des lobes secondaires.
3.2.1.2. Le conformateur à annulation de lobes (« Null-
steering beamformer ») [6]
Il est utilisé pour annuler une onde plane en provenance
d’une direction connue en annulant le diagramme de
rayonnement suivant cette direction. Les poids sont
déterminés tels que :
WHA=e1T où e1 = (1,0,0…0)T (54)
Si toutes les sous-matrices a(θℓ,ϕℓ) de A sont linéairement
indépendantes et A une matrice carrée, alors on peut
l’inverser et calculer la matrice poids W par :
W = WHA = e1T.A-1 (55)
Bien qu’annulant les signaux des interférents, ce
conformateur ne prend pas en compte les signaux utiles.
3.2.2. Les conformateurs adaptatifs
Ils dépendent des données d’utilisateurs et sont donc
indiqués pour les antennes adaptatives.
3.2.2.1. Le conformateur optimal [11]
Il permet de remédier à deux des principales limitations du
« Null-steering beamformer » :
Il ne requiert pas d’informations sur les directions
des interférents.
Il maximise le rapport signal sur interférence plus
bruit en sortie du réseau (MVDR).
Les pondérations sont données par :
W=µ 0 Rxx-1A(θ0,ϕ0) (56)
où µ 0 est une constante donnée par :
µ0 = 1/[AH(θ0,ϕ0)RxxA(θ0,ϕ0)] (57)
En remplaçant (57) dans (56), on obtient :
R xx− 1 A (θ 0 , φ 0 )
W = H (58)
A (θ 0 , φ 0 ) R xx A (θ 0 , φ 0 )
Ces poids minimisent la puissance moyenne de sortie tout
en maintenant une réponse unité dans la direction de
l’utilisateur. Ainsi le processus minimise le bruit total
comprenant les interférences et les bruits de corrélation. La
valeur de Rxx n’étant pas disponible, on utilise son estimé :
nR xx [ n ] + X [ n + 1] X H
[ n + 1]
R xx [ n + 1] = (59)
n +1
Le rayonnement du « beamformer » optimal tend à avoir
de longs lobes et une mauvaise annulation des
interférences ; ceci est causé d’une part par la
maximisation du SINR et d’autre part par le bruit
thermique, qui ne devrait pas être corrélé d’un élément
d’antenne à l’autre mais qui, pour un nombre fini
d’échantillons, paraît l’être. Pour y remédier, on ajoute à
Rxx, un bruit idéal thermique artificiel puisque la matrice de
covariance d’un bruit thermique idéal est une matrice
réduit le nombre d’échantillons requis pour obtenir de bons
résultats. Nous la notons D_cst dans nos codes.
3.2.2.2. Les conformateurs à séquence d’apprentissage
La séquence d’apprentissage est une partie
d’information envoyée connue du récepteur lui permettant
de déduire de l’état d’arrivée des bits la fonction de
transfert du canal. On a ainsi un signal de référence avec
lequel l’antenne confronte le signal en sortie du réseau. 3.2.2.3. Un conformateur aveugle : CMA (Constant
Les algorithmes les plus utilisés sont : Modulus Amplitude)
• MMSE Sa configuration est la même que celle du système SMI à
• DMI (Direct Matrix Inversion, aussi appelé SMI : la seule différence qu’ici un signal de référence n’est pas
Sampled Matrix Inversion) requis [4]. C’est un algorithme de gradient qui travaille
• LMS (Least Mean Square) selon la théorie que, l’existence d’interférences entraîne
généralement des variations d’amplitude du signal
• RLS (Recursive Least Square)
transmis, qui néanmoins possède une enveloppe constante.
L’actualisation des poids est obtenue par minimisation de
L’algorithme des moindres carrés moyens (LMS)
la moyenne positive de la fonction coût Jn définie par :
Il est dit de gradient stochastique et est la version Jn = (½) E [(|y(n)|² - yo²)²] (67)
récurrente du filtre de Wiener [8]. Cet algorithme permet Les poids sont donnés par :
de calculer les pondérations selon l’équation : W(n+1) = W(n) – µ.g(W(n)) (68)
W(n+1) = W(n) + µX(n)[d*(n) - XH (n)W(n)] (60) où y(n) est la sortie du réseau après la nième itération ; yo
où W(n+1) représente le poids à la (n+1)e itération et µ le l’amplitude de l’enveloppe du signal désiré en absence
gain constant qui contrôle le degré d’adaptation, c’est-à- d’interférence ; g(w(n)) une estimation de la fonction coût
dire à quelle vitesse et à quel point, les poids estimés sont et µ le coefficient d’adaptation.
proches des poids optimaux. Dans nos codes, nous Nous résumons sur la Fig. 5, les principaux
l’appelons mu_cst. algorithmes de formation de faisceaux.
L’algorithme des moindres carrés récursifs (RLS)
La convergence de LMS dépend des valeurs propres de Rxx.
Si Rxx possède un très large spectre, LMS devient assez
lent. Ce problème peut être résolu en remplaçant le gain µ
précédent par une matrice Rxx-1(n) à la nième itération. On a
alors d’après [12] :
W(n) = W(n-1) – Rxx-1(n)X(n) ε*(W(n-1)) (61)
où ε*(W(n-1)) = [d*(n-1) - XH (n-1)W(n-1)] (62)
Rxx(n) = δo Rxx(n-1) + X(n)XH(n)
n
= ∑δ
k =0
n−k
0 X (k ) X H (k ) (63)

avec δo=(1-1/N) devant être inférieur mais proche de 1 et

N le nombre d’itérations et :
I (64)
R −1 (0 ) = M
xx
δ0
où IM est la matrice identité d’ordre M avec M le nombre
d’éléments du réseau d’antennes. Bien que l’algorithme
converge environ 10 fois plus vite que LMS, le nombre Fig. 5: Algorithmes de formation de faisceaux
d’itérations N doit être maintenu élevé afin d’obtenir δo
proche de 1, ce qui constitue sa principale limitation. IV. RESULTATS ET DISCUSSION
L’algorithme d’inversion de matrice (DMI ou SMI) Nous avons développé un outil sous MATLAB 7.0 avec un
Les pondérations sont choisies de façon à ordinateur portable HP(300Go, 1.8GHz, 2GB, Windows7).
minimiser l’erreur quadratique entre le signal de sortie du
réseau d’antennes et le signal de référence. D’après [8], 4.1. Résultats d’estimation de directions d’arrivées
cette erreur est donnée par : La Fig.6 présente la page d’accueil du détecteur de DOA.
E [{r(t)-WHX(t)}²] = E [{r²(t)] - 2WHRr+WHRmW (65)
où X(t) est la sortie du réseau au temps t et r(t) le signal de
référence.
Rm = E [X(t)XH(t)] est la matrice d’autocorrélation du
signal ou matrice de covariance. Rr = E [r(t)XH(t)] est la
matrice d’inter-corrélation entre le signal de référence et le
signal de sortie du réseau. Le vecteur poids pour lequel
l’équation (65) admet un minimum est obtenu en annulant
son vecteur gradient par rapport à W. C’est-à-dire :
ur
∇ w {E[{r(t)- W X(t)}²]} = - 2 Rr + 2RmW = 0. On tire :
H
-1
Wopt = Rm Rr (66)
Ainsi, les poids optimaux peuvent aisément être obtenus
par une inversion directe de la matrice de covariance. Figure 6 : Page d’accueil pour l’estimateur de DOA
En cliquant sur « Guide d’utilisation » en bleu au bas
gauche de la page d’accueil de la Fig. 6, on a un rappel sur
les antennes intelligentes et la procédure de simulation. En
faisant varier les différents paramètres d’antennes ou de
signaux, on peut étudier leurs influences sur la précision
des résultats.

4.1.1. Spectres de rayonnement

Les Fig. 7 et 8 présentent les spectres de détection d’une
direction ϕ=180° au moyen d’un réseau circulaire de
M=16 éléments, N = 1000 et SNR = 0 (a) ou -15dB (b)
obtenus respectivement dans [14] et avec notre outil.

Figure 10 : Spectres d’estimateurs de DOA sur réseau

carré de M = 9x9 éléments, N=100, d=0.5λ, f=1.8GHz,
SNR=30dB, 3 directions à détecter (50°,80°,120°)

Figure 7 : résultats de détection obtenus dans [14]

Figure 11 : Spectres d’estimateurs sur réseau carré de M =

9x9 éléments, N=100, d=0.5λ, f=1.8GHz, SNR=30dB, 3
directions statiques détecter (50°, 80°, 120°)

Figure 8 : résultas obtenus avec notre outil.

Les Fig. 9 à 11 permettent de généraliser.

Figure 12 : Spectre de puissance de MUSIC sur réseau

carré de M = 9x9 éléments, N=100, d=0.5λ, f=1.8GHz,
SNR=30dB, 3 directions à détecter (50°, 80°, 120°)

4.1.2. Temps écoulés

Figure 9 : Divers spectres d’estimateurs de DOA sur
réseau linéaire de M=8 éléments, f=1.8GHz, d=0.5λ,
SNR=30dB, 3 directions à détecter (50°,80°,120°)
L’autre paramètre auquel nous nous sommes
intéressés est le temps de calcul des algorithmes. Nous
l’évaluons avec la fonction « Tic Toc » de MATLAB. Les
résultats sont présentés sur les tableaux I, II et III.
 TABLEAU I
TEMPS ECOULES DES DIFFERENTS ALGORITHMES
CLASSIQUES D’ESTIMATION DE DOA SUR RESEAU
LINEAIRE EN SECONDES
Estimateurs de Réseau linéaire
DOA 1Lobe 2Lobes 3Lobes 4Lobes
Bartlett 0.187 0.266 0.202 0.218
Prony 0.234 0.250 0.218 0.203
Capon 0.156 0.203 0.187 0.187
MEM 0.171 0.172 0.156 0.172
MMSE 0.188 0.172 0.171 0.172
MUSIC 0.359 0.218 0.234 0.250
MIN-NORM 0.156 0.172 0.203 0.156

TABLEAU II
TEMPS ECOULES DES DIFFERENTS ALGORITHMES
CLASSIQUES D’ESTIMATION DE DOA SUR RESEAU (a) (b)
PLANAIRE EN SECONDES
Figure 14 : Résultats en coordonnées cartésiennes de RLS
Estimateurs de Réseau planaire
DOA 1Lobe 2Lobes 3Lobes 4Lobes
sur réseau linéaire de M = 8 éléments, N=100, δ=0.9,
Bartlett 0.109 0.125 0.125 0.125 utilisateur à couvrir en 60° et interférent à 40°, f=1.8GHz
Prony 2.850 2.880 2.917 2.918 et SNR= 30dB pour différentes valeurs de d,
Capon 1.529 1.513 1.513 1.545 (a) dans [3], (b) avec notre outil
MEM 0.11 0.125 0.109 0.125
MMSE 0.125 0.125 0.109 0.172
MUSIC 0.781 0.343 0.265 0.250 Les Fig. 15 et 16 comparent des résultats de LMS et CMA
MIN-NORM 0.125 0.156 0.156 0.156 à ceux de l’article [4] publié en Juin 2015.
TABLEAU III
TEMPS ECOULES DES DIFFERENTS ALGORITHMES
CLASSIQUES D’ESTIMATION DE DOA SUR RESEAU
CIRCULAIRE EN SECONDES
Estimateurs de Réseau circulaire
DOA 1Lobe 2Lobes 3Lobes 4Lobes
Bartlett 0.156 0.218 0.202 0.218
Prony 0.218 0.202 0.187 0.202
Capon 0.187 0.203 0.203 0.203
MEM 0.187 0.187 0.172 0.156
MMSE 0.234 0.171 0.188 0.187
MUSIC 0.156 0.172 0.156 0.172
MIN-NORM 0.219 0.234 0.172 0.203

4.2. Résultats de formation de faisceaux (Beamforming) (a) (b)

La page d’accueil pour la conformation de
faisceaux est présentée sur la fig.13.
Figure 15 : Résultats en coordonnées cartésiennes de LMS
sur réseau linéaire avec N=200, µ=0.008, d = 0.5λ,
utilisateur à couvrir en 30° et interférent à 60°, f=0.4GHz
et SNR= 30dB pour différentes valeurs de N,
(a) dans [4], (b) avec notre outil.

Figure 13 : Page d’accueil pour la formation de lobes

4.2.1. Spectres des conformateurs de faisceaux Figure 16 : Résultats en coordonnées logarithmiques de

La Fig. 14 compare pour validation, les résultats CMA sur réseau linéaire avec N=100, µ=0.008, d = 0.5λ,
de RLS (a) obtenus dans [3] et (b) obtenu avec notre outil. utilisateur à couvrir en 60°, f=0.4GHz et SNR= 30dB,
(a) dans [4], (b) avec notre outil.
La Fig. 17 compare nos résultats de DMI à ceux de [5].
 (a) (b)
Figure 17 : Résultats en coordonnées cartésiennes de DMI
sur réseau linéaire avec N=200, d = 0.5λ, f=1.8GHz, SNR=
30dB, un utilisateur à couvrir en 30° et un interférent à
annuler en -60°, (a) dans [4], (b) avec notre outil.
Figure 20 : Divers conformateurs adaptatifs sur réseau
circulaire de M=16 éléments, SNR = 30dB, N = 100,
d=0.5λ, a=0.25, f=1.8GHz, 2lobes à former (80°, 120°)

Les Fig. 18 à 20 présentent divers conformateurs que nous
avons implémentés sur réseaux linéaire, carré et circulaire.
4.2.2. Courbes d’erreurs
Nous présentons sur les figures 21 à 23, les
courbes d’erreur de divers conformateurs classiques sur
réseaux linéaires, planaires et circulaires respectivement.

Figure 18 : Divers conformateurs adaptatifs sur réseau

linéaire de M = 8 éléments, N=200, d=0.5λ, SNR = 30dB,
Figure 21 : Diverses courbes d’erreurs de conformateurs,
f=1.8GHz, dans la situation où On a un utilisateur et un
adaptatifs sur réseau linéaire de la Fig.18
interférent (80°, 120°)

Figure 19 : Divers conformateurs adaptatifs sur réseau Figure 22 : Diverses courbes d’erreurs en sortie de
carré de M = 9x9 éléments, SNR=30dB, N = 100, d=0.5λ, conformateurs adaptatifs sur réseau carré de la Fig.19
f=1.8GHz, deux lobes statiques à former (80°, 120°)
 4.3. Discussions
Nous observons une mauvaise annulation
d’interférence par CMA sur réseau linéaire (Fig.18) et une
piètre résolution de DMI sur réseau planaire (Fig. 19).
Les algorithmes ayant retenus notre attention sont MUSIC
et Capon pour l’estimation des DOA, LMS et MVDR pour
la formation de faisceaux. Néanmoins tous ces algorithmes
admettent des résultats acceptables en fonction des
paramètres d’étude tels l’espacement d entre les éléments
rayonnants, le nombre d’éléments rayonnants M, le
nombre d’itérations N, le rapport signal sur bruit SNR,
dans une très moindre mesure la fréquence f, le nombre de
sources à détecter ou le nombre de lobes à former en
Figure 23 : Diverses courbes d’erreurs de conformateurs présence ou pas d’interférents, la mobilité et surtout la
adaptatifs sur réseau circulaire de la Fig. 20 configuration du réseau d’antennes. Nous résumons dans
4.2.3. Temps écoulés le tableau VII, une étude comparée des trois configurations
Les tableaux IV à VI résument les différents de réseaux d’antennes planaires adaptatives.
temps écoulés des conformateurs classiques. Les
simulations ont été menées avec N = 100 pour 1 ou 2 lobes TABLEAU VII
et N = 200 pour les cas avec interférents (1L1Z, 1L3Z). COMPARAISON DES TROIS CONFIGURATIONS PRINCIPALES
D’ANTENNES PLANAIRES ADAPTATIVES
Les autres paramètres sont ceux par défaut sur l’outil.
Réseau linéaire Réseau carré Réseau
TABLEAU IV circulaire
TEMPS ECOULES DES DIFFERENTS ALGORITHMES AV -Plus facile à -Lobes plus fins -Indiqué
CLASSIQUES DE FORMATION DE FAISCEAUX SUR AN miniaturiser. -Plus « robuste » car pour la
RESEAU LINEAIRE EN SECONDES TA -Coût matériel ne subit pas trop localisation
Conformateurs Réseau linéaire GES moindre. d’influence de la part aérienne
classiques 1Lobe 1L1Z 1L3Z 2Lobes -Détecte bien des différents -Couvre
Conventionnel 0.390 0.406 0.078 0.065 les DOA. paramètres facilement
Null-steering 0.087 0.06 0.04 0.042 -Meilleur en d’antennes. 360° avec
MVDR 6.895 13.450 13.494 6.90 formation de -Meilleur en détection 01 seul
DMI 7.773 7.716 7.686 4.832 lobes des DOA. réseau.
LMS 7.340 13.510 13.385 6.833 L I -Lobes moins -Coût matériel élevé. -Coût
RLS 7.821 7.876 7.976 4.915 MI fins que pour le - Implémentation matériel
CMA 8.062 13.292 7.657 4.895 T ES réseau carré. numérique plus ardue. moyen
-Subit un peu -Résultats de -Lobes
TABLEAU V plus d’influence formation de lobes presque
TEMPS ECOULES DES DIFFERENTS ALGORITHMES des paramètres parfois laissant à identiques
CLASSIQUES DE FORMATION DE FAISCEAUX SUR d’antennes. désirer. à ceux du
RESEAU PLANAIRE EN SECONDES -Peut nécessiter réseau
Conformateurs Réseau planaire plusieurs pour couvrir linéaire
classiques 360°
1Lobe 1L1Z 1L3Z 2Lobes
Conventionnel 0.437 0.437 0.437 0.094 Quant aux temps de calcul, ceux des estimateurs
Null-steering 0.185 0.115 0.12 0.150
MVDR 11.138 26.523 26.814 12.183
de DOA tournent autour de 0.2s ; ce qui est satisfaisant car
DMI 9.436 16.415 16.384 9.16 pour des applications temps réel, la valeur maximale
LMS 11.357 22.808 22.214 11.170 admissible est de 0.3s. Les temps écoulés des
RLS 10.242 20.237 20.345 10.33 conformateurs par contre, sont de plusieurs secondes (5 à
CMA 9.334 55.722 65.778 26.944
plus de 20s pour certains) et devront donc être améliorés.
TABLEAU VI
TEMPS ECOULES DES DIFFERENTS ALGORITHMES V. CONCLUSION
CLASSIQUES DE FORMATION DE FAISCEAUX SUR
RESEAU CIRCULAIRE EN SECONDES Dans cet article, nous avons modélisé les trois
Conformateurs Réseau circulaire configurations courantes d’antennes planaires adaptatives
classiques 1Lobe 1L1Z 1L3Z 2Lobes
Conventionnel 0.156 0.218 0.202 0.218
(linéaire, carrée et circulaire). Nous avons aussi présenté
Null-steering 0.218 0.202 0.187 0.202 les principales approches analytiques généralement
MVDR 0.187 0.203 0.203 0.203 utilisées pour les implémenter. Par la suite un outil de
DMI 5.432 8.817 8.692 5.354 simulation fut développé et une étude de performances
LMS 7.488 15.147 15.054 7.378
RLS 5.541 8.988 8.942 5.417
menée. Aux termes de ces travaux, nous pouvons
MIN-NORM 5.416 8.755 8.848 5.416 confirmer que les antennes intelligentes permettent une
augmentation importante de qualité de service dans les
réseaux radio mobiles (notamment de portée, de capacité,
de débit, etc.). En fait, l’annulation de certaines directions
permet d’éliminer des émissions parasites qui pourraient
perturber les communications ou diminuer le débit de
transmission. Ceci évite d'interagir avec d’autres systèmes
ou d’endommager certains équipements, "préservant" ainsi
non seulement la batterie mais aussi et surtout
l’environnement. Toutefois, ces antennes présentent
quelques inconvénients, tels leur structure lourde et le plus
de matériel nécessité. D’autre part, les temps de calcul des
algorithmes de « beamforming » dépassent parfois 20s,
largement supérieurs à la limite admissible de 0,3s. Il nous
faudra donc rechercher des techniques plus rapides de
formation de lobes. Une attention particulière se porte
aujourd’hui sur les approches heuristiques dont font partie
les algorithmes génétiques et les réseaux de neurones.
REFERENCES
Toutes ont été consultées le 26 Août 2015.
[1]http://www.thwink.org/sustain/articles/000_AnalyticalA
pproach/index.htm
[2] D. Besnard, La simulation comme méthodologie de
R&D, CLEFS CEA – N° 47 – Hiver 2002-2003, 9-19.
http://www.google.com/url?sa=t&rct=j&q=&esrc=s&sour
ce=web&cd=1&ved=0CB4QFjAA&url=http%3A%2F%2
Fwww.cea.fr%2Fcontent%2Fdownload%2F2947%2F1378
3%2Ffile%2F009-014_besnard.pdf&ei=La6RVY7eDcqu-
QGh0IH4Aw&usg=AFQjCNF76jTMR2JEHrPcHIn22Qq
OnqS2ow&bvm=bv.96783405,d.cWw
[3] Miss Nayan B. Shambharkar et al., Implementation of
RLS beamforming algorithm for smart antenna system,
International Journal of Engineering and Management
Research, 4(2): 194-198, April 2014.
http://www.ijemr.net/April2014Issue/ImplementationOfR
LSBeamforming%20AlgorithmForSmartAntennaSystem%
28194-198%29.pdf
[4] O. Borazjani, W. Daryasafar, and M. Tangaki,
simulation and comparison of adaptive algorithms for
optimal weighting of array elements in smart antennas,
Science International (Lahore), 27(3), 2015, 1899-1902.
http://sci-int.com/pdf/16216725311899-
1902%20Omid%20Borazjani--NAVID-EE-MODIFIED--
Malaysia--COMPOSED%20PAID.pdf
[5] Ch. Santhi rani, Dr. P.V. Subbaiah, Dr. K.
Chennakesava reddy, Smart antenna algorithms for
WCDMA mobile communication systems, International
Journal of Computer Science and Network Security, 8(7),
2008, 182-186.
http://paper.ijcsns.org/07_book/200807/20080727.pdf
[6] T. Mathes, I. Stevanovic, J.R. Mosig, Algorithms for
Direction of arrival Estimation in a Smart antenna,
Semester project summer 2002-2003, LEMA, Lausanne,
Suisse, 2003.
[7] Ahmed Najah Jabbar, Simulation of adaptive
beamforming algorithms for phased array antennas,
Journal of Babylon University, pure and applied sciences,
2011. http://www.docin.com/p-564404272.html
[8] L.C. Godara, applications of antenna arrays to mobile
communications, part II: Beamforming and direction of
arrival considerations, Proc. IEEE, 85 (8), 1997, 1195-
1245. http://wsl.stanford.edu/~ee359/godara2.pdf
View publication stats
[9] Md. Bakhar, R.M.Vani, and P.V. Hunagund,
Performance analysis of MUSIC and LMS algorithms for
smart antenna systems, International Journal of Electronics
Engineering, 2(2), 2010, 271-275.
http://csjournals.com/IJEE/PDF%202-2/Article_8.pdf
[10] Ivan P. Pokrajae et al., Cyclic MUSIC algorithm for
DOA estimation of wideband coherent signals in
frequency domain, 15th Telecommunications forum
TELFOR 2007, Serbia, Belgrade, November 20-22, 2007.
http://2007.telfor.rs/files/radovi/05_16.pdf
[11] G.C. Nwalozie, A simple comparative evaluation of
adaptive beamforming algorithms, International Journal of
Engineering and Innovative Technology (IJEIT), 2(7),
January 2013.
http://www.ijeit.com/vol%202/Issue%207/IJEIT14122013
01_73.pdf
[12] Ch. Santhi Rani et al., LMS and RLS algorithms for
smart antennas in W-CDMA mobile communication
environment, International Journal of Engineering and
Applied Sciences, 4(6), August 2009.
http://www.arpnjournals.com/jeas/research_papers/rp_200
9/jeas_0809_231.pdf
[13] A. Arunitha et al., Adaptive beamforming algorithms
for MIMO antenna, International Journal of Innovative
Technology and Exploring Engineering (IJITEE), 4(8),
January 2015.
http://www.ijitee.org/attachments/File/v4i8/H1948014815.
pdf
[14] Ahmed Badawy et al., A simple angle of arrival
estimation scheme, arxiv:1409.5744v1[cs.SY], 2014.
http://arxiv.org/pdf/1409.5744.pdf
2
Simon KEPCHABE
Ingénieur des Télécommunications et DEA de
Physique option Electronique de l’Université de
Yaoundé I (2009). Travaille sur la caractérisation
par méthodes analytiques, synthèse par approches
heuristiques et intégration sur systèmes embarqués,
des antennes intelligentes. Explore également la
possibilité d’utiliser ces dernières pour la
sécurisation de la couche physique des réseaux
mobiles de nouvelles générations.
1
Emmanuel TONYE
Doctorat d’Etat en Sciences (spécialité
Electronique) de l’Institut National Polytechnique
de Toulouse (France, 1987). Professeur des
Universités. Vice-Recteur chargé de la Recherche,
de la Coopération et des Relations avec le Monde
des Entreprises de l’Université de Yaoundé I.
Directeur du Laboratoire d’Electronique et de
Traitement du Signal du Département des génies
Electriques et des Télécommunications de l’Ecole
Nationale Supérieure Polytechnique de Yaoundé.
Enseignant-Chercheur en Télécommunications,
Télédétection et Ingénierie pédagogique.