Академический Документы
Профессиональный Документы
Культура Документы
Introduction
Emetteur
Communications numériques Canal
Récepteur
Transmission en bande de base Hypothèses du cours
Codage en ligne
Conversion bits/symboles
Mise en forme
Laurent Oudre Energie moyenne par bit
laurent.oudre@univ-paris13.fr Densités spectrale de puissance
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 1 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 2 / 107
Introduction Introduction
Introduction
Emetteur
Canal
Récepteur
Hypothèses du cours
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 3 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 4 / 107
Introduction Emetteur Introduction Emetteur
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 5 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 6 / 107
Emetteur Emetteur
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 7 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 8 / 107
Introduction Canal Introduction Canal
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 9 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 10 / 107
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 11 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 12 / 107
Introduction Récepteur Introduction Récepteur
zk = z(kT )
Décodage Décision
d̂n âk
Décodage Décision
d̂n âk
Récepteur
Récepteur
Filtre de réception :
Démodulation : inverse de l’étape de modulation ◮ Adapté au filtre de mise en forme utilisé lors de l’émission
◮ Vise à minimiser les interactions entre symboles et à maximiser le rapport
signal sur bruit
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 13 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 14 / 107
zk = z(kT ) zk = z(kT )
Récepteur Récepteur
Echantillonage : Décision :
◮ Transformation du signal physique en signal discret ◮ A partir des valeurs échantillonnées, on retrouve les symboles émis
◮ Nécessite une synchronisation sur le temps d’horloge ◮ Sensible au bruit ajouté par le canal
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 15 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 16 / 107
Introduction Récepteur Introduction Hypothèses du cours
Récepteur
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 17 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 18 / 107
Introduction
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 19 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 20 / 107
Codage en ligne Conversion bits/symboles Codage en ligne Conversion bits/symboles
1.5
◮ Entrée : signal binaire initial
dn
dn ak Filtre de x(t) e(t) 1
Conversion d = 1010001101 · · ·
mise en Modulation
bits/symboles
forme he (t)
0.5 ◮ Un bit émis toutes les Tb
secondes
Emetteur 0
◮ Débit binaire :
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 21 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 22 / 107
1010001101 −→ 10 10 00 11 01 −→ 2 2 0 3 1
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 23 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 24 / 107
Codage en ligne Conversion bits/symboles Codage en ligne Conversion bits/symboles
10 10 00 11 01 −→ 3 3 − 3 1 − 1 (antipolaire)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 25 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 26 / 107
log2 M
T = mTb = log2 M Tb =
◮ Codage quaternaire antipolaire (ou 2B1Q) Db
dn dn+1 ak ◮ On a un nouveau signal
00 -3
01 -1
X
a(t) = ak δ(t − kT )
11 1 k∈Z
10 3
codage de Grey : un bit de différence entre chaque état ◮ Rapidité de modulation R (débit symbole)
1
R=
T
Db
R= (bauds)
log2 M
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 27 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 28 / 107
Codage en ligne Conversion bits/symboles Codage en ligne Mise en forme
d
n
1.5
1
dn ak Filtre de x(t) e(t)
Conversion
0.5 mise en Modulation
bits/symboles
0 forme he (t)
0.5
0 1Tb 2Tb 3Tb 4Tb 5Tb 6Tb 7Tb 8Tb 9Tb ...
ak Emetteur
0 Mise en forme :
2 ◮ Transformation du signal numérique en un signal physique
0 1T=2Tb 2T=4Tb 3T=6Tb 4T=8Tb ... ◮ Choix du filtre de mise en forme dépend de la largeur de bande souhaitée, de
la présence de raies à la fréquence d’horloge...
10 10 00 11 01 −→ 3 3 − 3 1 − 1
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 29 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 30 / 107
0.6
◮ Principe : associer un signal physique x(t) à cette suite de symboles en (
1 si 0 ≤ t < T
convoluant a(t) par la réponse impulsionnelle he (t) d’un filtre de mise en 0.4 he (t) =
forme (aussi appelé filtre d’émission). 0 sinon
0.2
◮ Codes à formant : même filtre de mise en forme pour tous les symboles
0
X 0 T
x(t) = a(t) ∗ he (t) = ak he (t − kT )
k∈Z
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 31 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 32 / 107
Codage en ligne Mise en forme Codage en ligne Mise en forme
Exemple : Codage binaire unipolaire NRZ Exemple : Codage binaire antipolaire NRZ
1
1
0.8
0.6
0.8
0.4
0.6 0.2
0.4 0.2
0.4
0.2 0.6
0.8
0
1
0 1T 2T 3T 4T 5T 6T 7T 8T 9T 0 1T 2T 3T 4T 5T 6T 7T 8T 9T
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 33 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 34 / 107
0.8
0.8
0.6
0.6 (
T
1 si 0 ≤ t < 2
0.4 he (t) = 0.4
0 sinon
0.2
0.2
0
0
0 T✴2 T
0 1T 2T 3T 4T 5T 6T 7T 8T 9T
1010001101 −→ 1010001101
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 35 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 36 / 107
Codage en ligne Mise en forme Codage en ligne Mise en forme
0.8 1
0.6 0.8
0.6
0.4
0.4
0.2
0
0.2
1
si 0 ≤ t < T2
0
0.2 0.2 he (t) = −1 si T2 ≤ t < T
0.4 0.4
0 sinon
0.6
0.6
0.8
0.8
1
1 0 T2 T
0 1T 2T 3T 4T 5T 6T 7T 8T 9T
1010001101 −→ 1−11−1−1−111−11
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 37 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 38 / 107
Codage en ligne Mise en forme Codage en ligne Energie moyenne par bit
1
◮ Comment évaluer l’énergie totale du signal en bande de base x(t) ?
0.8 2
Z ∞ X Z
∞
0.6
2
Ex = |x(t)| dt = ak he (t − kT ) dt
0.4
−∞ −∞
k∈Z
0.2
0
◮ Si le support temporel de he (t) est égal à T , on a :
0.2
0.4 X Z ∞ X
0.6 Ex = |ak |2 |he (t − kT )|2 dt = |ak |2 Ehe
k∈Z −∞ k∈Z
0.8
0 1T 2T 3T 4T 5T 6T 7T 8T 9T
◮ Problème : on ne connait pas les ak a priori car ils sont aléatoires !
◮ Solution : au lieu de définir une énergie totale, on va définir une énergie
1010001101 −→ 1−11−1−1−111−11 moyenne
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 39 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 40 / 107
Codage en ligne Energie moyenne par bit Codage en ligne Energie moyenne par bit
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 41 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 42 / 107
Codage en ligne Energie moyenne par bit Codage en ligne Energie moyenne par bit
◮ Exemple : dictionnaire binaire antipolaire On peut montrer que pour un dictionnaire M-aire
◮ unipolaire ak ∈ {0, 1, · · · , M − 1}
1
Esym = Ebit = ((−1)2 + (1)2 )Ehe = Ehe
2 (M − 1)(2M − 1)
Ebit = E he
◮ Exemple : dictionnaire 2B1Q log2 M
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 43 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 44 / 107
Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 45 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 46 / 107
Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance
Propriétés spectrales des signaux en bande de base Liens entre les notions de puissance
+∞ 2
σa2 µ2a X
2 k k
Γx (f ) = |He (f )| + 2 He T δ f − T ◮ Nous avons défini avec les mains la puissance moyenne totale Px du signal
T T
k=−∞ x(t) comme étant :
Esym σ 2 + |µa |2
◮ Le dictionnaire utilisé influence µa et σa2 : en particulier, si µa 6= 0, on fait Px = = a E he
T T
apparaı̂tre sur la DSP des raies fréquentielles aux fréquences multiples de T1
◮ D’un autre côté, nous savons que par définition, on a :
◮ Le filtre de mise en forme utilisé conditionne la forme de la DSP : en
Z +∞
particulier, lorsque l’on utilise un filtre NRZ, RZ ou biphase Manchester, on
obtient un signal en bande de base, où la majorité de la puissance est répartie Px = Γx (f )df
−∞
dans la bande [−B , +B] où B est la largeur de bande du signal.
◮ Comme nous le verrons en Travaux Pratiques, à débit binaire constant, le ◮ Ces deux expressions sont-elles compatibles ?
dictionnaire et le filtre utilisés impactent directement la largeur de bande du
signal
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 47 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 48 / 107
Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance
Liens entre les notions de puissance Quelques DSP des codes en ligne
◮ Prenons le cas simple d’un dictionnaire antipolaire
◮ On a donc µa = 0 et dans ce cas, la définition avec les mains nous donne :
Γ (f) Γ (f) Γ (f)
x x x
Esym σ2 5 5 5
Px = = a E he
0 0 0
−5 −5 −5
T T −10 −10 −10
Décibels
Décibels
Décibels
−20 −20 −20
◮
−25 −25 −25
Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance
Quelques DSP des codes en ligne Quelques DSP des codes en ligne
Γx(f) Γx(f)
5
0 10
Décibels
Décibels
−15 −15 −15 −20
Décibels
Décibels
Décibels
−50 −50
Filtre NRZ Filtre RZ Filtre Manchester −5Db −4Db −3Db −2Db −Db 0 Db
Fréquence (en Hz)
2Db 3Db 4Db 5Db −5Db −4Db −3Db −2Db −Db 0 Db
Fréquence (en Hz)
2Db 3Db 4Db 5Db
B ≈ Db ≈ T1 B ≈ 2Db ≈ 2
B ≈ 2Db ≈ T2
T Filtre NRZ Filtre NRZ
Db = 1 bit/seconde, M = 2, dictionnaire unipolaire M=2 M =4
Idem au dictionnaire antipolaire, mais apparition de raies fréquentielles pour f = k B ≈ Db ≈ T1 1
B ≈ D2b ≈ 2T
T
Db = 1 bit/seconde, dictionnaire antiipolaire
A débit binaire, dictionnaire et filtre constant, lorsque M augmente, la largeur de
bande diminue
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 51 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 52 / 107
Codage en ligne Densités spectrale de puissance Transmission en absence de bruit
Introduction
◮ Dictionnaire antipolaire :
Codage en ligne
1
BNRZ ≈
T Transmission en absence de bruit
Hypothèses
2 Interférences entre symboles
BRZ ≈ Réception en absence de bruit
T
2 Transmission en présence de bruit blanc additif gaussien
BManchester ≈
T
k Transmission sur un canal à bande passante limitée
◮ Dictionnaire unipolaire : idem + apparition de raies fréquentielles pour f = T
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 53 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 54 / 107
zk = z(kT )
Rappel : d̂n
Décodage
âk
Décision
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 55 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 56 / 107
Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Interférences entre symboles
zk = z(kT ) zk = z(kT )
Récepteur Récepteur
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 57 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 58 / 107
Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Interférences entre symboles
X
zk = ak h(0) + ak ′ h((k − k ′ )T ) Filtres de Nyquist : filtre de réponse impulsionnelle h(t) telle que
k ′ 6=k
| {z } h(kT ) = h(0)δ(k) et h(0) 6= 0
IES
Exemples :
◮ Problème : pour retrouver ak à partir de zk , il y a un terme parasite qui dépend des
◮ Filtres à support temporel borné centré et strictement inférieur à 2T
symboles émis avant et après : interférence entre symboles
◮ Filtres à support temporel non borné mais s’annulant à tous les multiples de
◮ Si l’on veut que ce terme soit nul, il faut que
T
h(kT ) = 0 pour k 6= 0 ◮ Exemple important : filtre en cosinus surelevé (0 ≤ β ≤ 1)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 59 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 60 / 107
Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Interférences entre symboles
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 61 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 62 / 107
Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Réception en absence de bruit
1 1
comprise entre 2T et T
Si l’on suppose que h = he ∗ hr est un filtre de Nyquist, alors l’IES est nulle et on a donc
0
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 63 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 64 / 107
Transmission en absence de bruit Réception en absence de bruit Transmission en présence de bruit blanc additif gaussien
Introduction
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 65 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 66 / 107
Transmission en présence de bruit blanc additif gaussien Hypothèses Transmission en présence de bruit blanc additif gaussien Hypothèses
e(t) Filtre de e ′ (t) Bruit r (t) 1.5 ◮ Signal aléatoire : on ne peut pas savoir
canal hc (t) additif b(t) quelles valeurs le signal va prendre, donc
1
on utilise des probabilités
0.5 ◮ Caractérisation par la moyenne (nulle pour
N0
Canal de transmission un bruit blanc) et la variance σ2 = 2
0
◮ A priori, le signal peut prendre n’importe
−0.5 quelle valeur, on sait juste que plus cette
Rappel : valeur est éloignée de la moyenne, moins
◮ On travaille en bande de base (e(t) = x(t), r (t) = y (t)) −1 elle est probable
◮ On suppose le canal idéal, invariant et de gain unitaire Hc (f ) = 1 (bande passante du canal −1.5
◮ Plus la variance est elevée, plus le signal a
0 200 400 600 800 1000
infinie) Temps (t) le droit de prendre des valeurs éloignées
Ici σ2 = 0.1 de la moyenne
◮ Ici, on suppose que b(t) est un bruit blanc gaussien de densité spectrale de puissance
N0
Γb (f ) = 2
y (t) = x(t) + b(t)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 67 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 68 / 107
Transmission en présence de bruit blanc additif gaussien Hypothèses Transmission en présence de bruit blanc additif gaussien Hypothèses
+∞
1
Z
−z 2 Emetteur Canal de transmission
Q(x) = √ e 2 dz
2π x
r (t) y (t) Filtre de z(t)
Démodulation réception Echantillonage
Si b(t) est un bruit gaussien de moyenne nulle et de variance σ 2 hr (t)
zk = z(kT )
b0 b1 b1 Décodage Décision
p(b(t) > b0 ) = Q p(b(t) < b1 ) = Q − =1−Q d̂n âk
σ σ σ
Récepteur
b0 b1 X
p(b0 < b(t) < b1 ) = Q −Q y (t) = x(t) + b(t) = ak he (t − kT ) + b(t)
σ σ
k∈Z
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 69 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 70 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
zk = z(kT )
Décodage Décision
d̂n âk
Décodage Décision
d̂n âk
Récepteur
Récepteur
Si synchronisation parfaite :
z(t) = (y ∗ hr )(t) X
X zk = z(kT ) = ak ′ h(kT − k ′ T ) + n(kT )
z(t) = ak h(t − kT ) + n(t) avec h = he ∗ hr et n = b ∗ hr k ′ ∈Z
k∈Z X
zk = ak h(0) + ak ′ h((k − k ′ )T ) + n(kT )
k ′ 6=k
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 71 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 72 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 73 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 74 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
x(t)
2
hr (t) = he (−t), h est un filtre de Nyquist (ex : filtre NRZ, RZ, biphase −1
0 1 2 3 4 5 6
Manchester...) Temps (s)
Message binaire 101011 codé avec un dictionnaire binaire unipolaire et mis en forme par un filtre
NRZ avec une période symbole T =1s
x(t)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 75 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 76 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
1.5 1.5
1 1
0.5 0.5
0 0
−0.5 −0.5
−1 −1
0 1 2 3 4 5 6 0 1 2 3 4 5 6
Temps (s) Temps (s)
Lors du passage dans le canal, ce signal a été perturbé par un bruit additif gaussien b(t) de Au niveau du récepteur, le signal bruité est passé dans un filtre de réception adapté au filtre de
variance σ2 =0.1 mise en forme :
y (t) = x(t) + b(t) z(t) = (y ∗ hr )(t) = y (t) ∗ he (−t)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 77 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 78 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
z =z (kT)
k
2
1.5
Dans le domaine fréquentiel :
1
◮ Si le filtre de réception est adapté au filtre d’émission, on a Hr (f ) = H ∗ (f )
e
0.5 ◮ On a donc H(f ) = He (f )Hr (f ) = |He (f )|2 , qui est réel et positif
0 ◮ Cas simple : partir d’un filtre de Nyquist de réponse fréquentielle H(f ) réelle
et positive et prendre p
−0.5
He (f ) = Hr (f ) = H(f )
−1
0 1 2 3 4 5 6
Temps (s)
Lorsqu’on échantillonne ce signal aux multiples de la période symbole T on retrouve les symboles
envoyés (mais pas exactement à cause du bruit)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 79 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 80 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
1.2
sqrt(T)
1 β=0
β=0.25
◮ Dans le domaine fréquentiel : racine de la 0.8 β=0.5 ◮ Dans le domaine temporel : ce n’est plus
β=0.75
β=0
fonction de transfert d’un filtre en cosinus β=1
un filtre de Nyquist (pas d’annulation aux
β=0.25 0.6
0
−0.2
−1/T −1/2T 0 1/2T 1/T
Fréquence (f) −4T −3T −2T −T 0 T 2T 3T 4T
Temps (t)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 81 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 82 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
1.5 1.5
1 1
0.5 0.5
0 0
−0.5 −0.5
−1 −1
0 1 2 3 4 5 6 0 1 2 3 4 5 6
Temps (s) Temps (s)
Message binaire 101011 codé avec un dictionnaire binaire unipolaire et mis en forme par un filtre Lors du passage dans le canal, ce signal a été perturbé par un bruit additif gaussien b(t) de
TRC avec une période symbole T =1s variance σ2 =0.1
x(t) y (t) = x(t) + b(t)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 83 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 84 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal
1.5
1.5
1
1
0.5
0.5
0
0
−0.5
−0.5
−1
0 1 2 3 4 5 6 −1
Temps (s) 0 1 2 3 4 5 6
Temps (s)
Au niveau du récepteur, le signal bruité est passé dans un filtre de réception adapté au filtre de
mise en forme : Lorsqu’on échantillonne ce signal aux multiples de la période symbole T on retrouve les symboles
z(t) = (y ∗ hr )(t) = y (t) ∗ he (−t) envoyés (mais pas exactement à cause du bruit)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 85 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 86 / 107
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit
Conditions : Rappel : X
◮ hr (t) doit être le filtre adapté he (t) pour maximiser le SNR en sortie du al h((k − l)T ) + n(kT )
zk = ak h(0) +
| {z }
récepteur l 6=k
| {z } bruit
hr (t) = he (−t) Hr (f ) = He∗ (f ) IES
◮ h = he ∗ hr doit être un filtre de Nyquist Si le récepteur est optimal (ce qui sera le cas dans la suite du cours) :
◮ IES = 0
h(kT ) = h(0)δ(k) R +∞
◮ h(0) = −∞ He (f )He∗ (f )df = Ehe
Deux cas simples de filtres formant un récepteur optimal Donc :
◮ he (t) de support temporel inférieur à T , et hr (t) = he (−t) zk = Ehe ak + n(kT )
−→ Il va falloir estimer aˆk à partir de zk , malgré le bruit
p
◮ OU He (f ) = Hr (f ) = H(f ) où H(f ) est un filtre de Nyquist
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 87 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 88 / 107
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit
r (t)
Démodulation
y (t) Filtre de
réception
z(t)
Echantillonage ◮ Idée : utiliser un seuillage pour décider de la valeur de chaque symbole
hr (t)
zk = z(kT )
◮ Exemple : codage binaire antipolaire ak = 1 ou ak = −1 (qu’on suppose
Décodage Décision
équiprobable)
d̂n âk
◮ On a donc zk = Ehe + n(kT ) ou zk = −Ehe + n(kT )
Récepteur ◮ n(kT ) est aléatoire et gaussien, de moyenne nulle
◮ Une idée intuitive est de seuiller :
Etape supplémentaire à cause de la présence de bruit : il faut affecter une valeur de symbole à ◮ si zk > 0 alors aˆk = 1
chaque zk ◮ sinon aˆk = −1
Exemple : zk = 1.26Ehe → aˆk = 1, zk = −0.34Ehe → aˆk = 0, etc...
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 89 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 90 / 107
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit
zk Cette erreur sur les symboles se répercute ensuite sur les bits après décodage.
Exemple : M = 4 et Ehe = 1.56 3.82 2.10 − 2.10
Probabilité d’erreur par bit
−→ 1 3 3 −3
err
Pbit = p(dˆn 6= dn )
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 91 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 92 / 107
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit
Calcul de la probabilité d’erreur (cas binaire) Calcul de la probabilité d’erreur (cas binaire)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 93 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 94 / 107
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit
◮ Si ak = −1 alors zk = −Eh + n(kT ). Si on a zk > 0, c’est donc que n(kT ) > Eh . Or n(t)
e e
est gaussien de moyenne nulle et de variance Pn donc
s ! Généralisation (admise) : on peut montrer qu’avec un dictionnaire antipolaire à M
p(n(kT ) > Ehe ) = Q
Eh
√ e =Q
2Ehe éléments, on a r !
Pn N0 M −1 2Ehe
err
Psym = 2 Q
◮ Si ak = 1 alors zk = Eh + n(kT ). Si on a zk < 0, c’est donc que n(kT ) < −Eh . Or n(t) M N0
e e
est gaussien de moyenne nulle et de variance Pn donc
s !
−Ehe
Eh
2Ehe
◮ Remarque : on retrouve bien notre expression quand M = 2 !
p(n(kT ) < −Ehe ) = 1 − Q √ =Q √ e =Q
Pn Pn N0 ◮ La probabilité d’erreur dépend du nombre de symboles du dictionnaire M, de
la variance du bruit blanc additif gaussien σ 2 = N20 , et de l’énergie du filtre de
Finalement comme les ak sont équiprobables,
s ! s ! s !
mise en forme/filtre de réception Ehe .
err 1 2Ehe 1 2Ehe 2Ehe
Psym = Q + Q =Q
2 N0 2 N0 N0
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 95 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 96 / 107
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 97 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 98 / 107
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit
−6 Décodage Décision
err
10 âk
d̂n
M=2
−8 M=4
10 Récepteur
M=8
M = 16
−10 M = 32
10
En connaissant le dictionnaire utilisé, on peut retrouver d̂n à partir de âk = ak . La probabilité
−12
10
d’erreur binaire dépend de la probabilité d’erreur par symbole et du dictionnaire utilisé.
0 5 10 15 20 25 30
Ebit/N0 (en dB)
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 99 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 100 / 107
Transmission sur un canal à bande passante limitée Transmission sur un canal à bande passante limitée
Introduction
◮ Nous avons vu en TP que les signaux en bande de base ont une largeur de
Codage en ligne bande que l’on peut écrire [−B , +B]
Transmission en absence de bruit
◮ filtre NRZ : B ≈ T1
◮ filtre RZ : B ≈ T2
Transmission en présence de bruit blanc additif gaussien ◮ filtre biphase Manchester : B ≈ T2
1+β
◮ filtre en racine de cosinus surelevé : B = 2T
Transmission sur un canal à bande passante limitée
◮ B dépend du type de filtre de mise en forme he (t), du débit binaire Db , et de
la taille M de l’alphabet utilisé
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 101 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 102 / 107
Transmission sur un canal à bande passante limitée Transmission sur un canal à bande passante limitée
◮ Pour le moment, on a considéré que le canal était idéal et avait une bande ◮ Afin de transmettre le plus d’information possible on fait en sorte d’utiliser
passante infinie (Hc (f ) = 1) toutes les capacités du canal, mais sans les dépasser !
◮ En réalité, la bande passante du canal BP est limitée et le canal est plutot de ◮ Si l’on connait la bande passante du canal (ce qui est en pratique toujours le
la forme ( cas), on va faire en sorte que la largeur du bande du signal en bande de base
1 si − BP < f < BP soit du même ordre
Hc (f ) =
0 sinon B ≈ BP
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 103 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 104 / 107
Transmission sur un canal à bande passante limitée Transmission sur un canal à bande passante limitée
Efficacité spectrale
◮ Db : débit binaire (en bits/seconde)
◮ B : largeur de bande occupée (en Hz) (égale à la bande passante BP du Db log2 M
= η=
canal). B T B
◮ Px = Ebit Db : puissance émise moyenne (en W) η le plus grand possible : Db maximal et B minimal
err
◮ Pbit : probabilité d’erreur par bit Taux d’erreur binaire
err nombre de bits mal détectés
On veut Db le plus grand possible, Px et Pbit les plus petits possibles, et B = BP TEB =
est souvent fixe. nombre total de bits emis
err
NB : Pbit est le TEB quand le nombre total de bits est infini
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 105 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 106 / 107
err
◮ Principe : on a des contraintes sur Db , B (=BP), Px et/ou Pbit
◮ Selon l’application et le type de transmission, on va réaliser des compromis
entre ces paramètres
◮ On va choisir en fonction de ces contraintes le dictionnaire (valence + type
de dictionnaire) et les filtres d’émission/réception