Détection Multi-Utilisateurs

Dimension: px
Commencer à balayer dès la page:

Download "Détection Multi-Utilisateurs"

Transcription

1 Détection Multi-Utilisateurs 3 ème année Télécom-Réseaux année Martial COULON INP-ENSEEIHT

2 Position du Problème Obectif : concevoir et analyser la démodulation numérique en présence d interférences dues au multi-accès (CDM, FDM, TDM, CDM orthogonal : signatures des utilisateurs orthogonales Intérêt : détecteur optimal = corrélateur, simple à mettre en œuvre Pb : nb d utilisateurs K limité à K=BT (modulations antipodales où B = bande disponible, T = durée du signal CDM non-orthogonal : signatures des utilisateurs non-orthogonales Intérêts : utilisateurs asynchrones (en utilisant la quasi-orthogonalité nb d utilisateurs K non limité BT partage dynamique des ressources (Nb potentiel d utilisateurs >> Nb simultanés d utilisateurs Pb : détecteur optimal plus complexe détecteurs sous-optimaux

3 Modèle de Canal CDM Synchrone Modèle «one-shot» : y( t K = = b s ( t n( t, t [0, T ] K T s (t nombre d utilisateurs période symbole signature (ou code, ou forme d onde du ème utilisateur, normalisée : s = T s 0 ( t dt = s (t nulle en dehors de [0,T] pas d interférence inter-symbole : amplitude du ème utilisateur = énergie du ème utilisateur b bit émis par le ème = ± utilisateur n(t : bruit blanc gaussien de moyenne nulle et variance σ. Intercorrélations entre signatures : ρi = si, s = si ( t s ( t dt, ρi T 0 Ex : K= utilisateurs : y( t = b s( t b s( t n( t, ρ = s( t s( t dt T 0

4 Modèle Synchrone Discret 3 types de discrétisation : classique : y =y(t e par proections sur une famille orthonormée définie sur [0,T] par corrélation y(t T s 0 y. y n = ~ y, s = N (0, σ T 0 y( t s ( t dt = b b ρ n Sous forme matricielle : T T y = Rb n y = [ y y ], b = [ b,..., b ], diag(,..., R =,..., K K = ( ρ, n ~ N(0, σ R i i, y contient toute l information contenue dans y(t nécessaire à la détection K

5 Modèle de Canal CDM synchrone Util. Util. Util. 3 τ τ τ 3 T T T Utilisateur bits [ b ( M,..., b (0,... b ( M ] y( t K M = = i= M b ( i s ( t it τ n( t, t [0, T ] (rq : τ... = τ = K modèle synchrone Intercorrélations entre signatures pour i< : Pour τ... τ, ρ ( τ = i ρ ( τ = i ρ τ T s ( t s τ T i s ( t s K i i i i = ρ ( τ τ ( t τ dt ( t T τ dt

6 Modèle synchrone Discret 3 types de discrétisation : classique : y =y(t e par proections sur une famille orthonormée définie sur [0,T] par corrélation y(t ( i T τ (i it τ Sous forme matricielle : y y y ( i = ( i = ( i T τ it τ b > ( i b y( t s < ( i ρ ( t it b τ dt ( i ρ > b < ( i ρ b n ( i ρ ( i y( i = R 0 et R R T b( i R0 b( i R b( i matrices dépendant des y = Rb n ρ n( i

7 Détection par Filtre dapté ( Détecteur Optimal (minimise le BER dans cas : Pour K= : y( t = bs( t n( t, t [0, T ] y = b n b ˆ = sgn, ( y s BER ( σ = Q σ Pour Canal Synchrone Orthogonal : Pas d interférences : ρ = 0, i i y = b n b ˆ = sgn = ( y, s sgn( y BER ( σ = Q σ Détecteur simple idée de généraliser à K quelconque

8 Détection par Filtre dapté ( Canal Synchrone Non-Orthogonal Pour K= : y = b b ρ n : (existence d interférences T 0 y ˆb y(t s ( t T 0 y ˆb s ( t BER ( σ = Q σ ρ Q σ ρ cas : / < / ρ BER ( σ σ 0 0 / > / ρ BER ( σ / σ 0 : effet Near-Far (éblouissement

9 Détection par Filtre dapté (3 Canal Synchrone Non-Orthogonal Pour K quelconque : Décision : b ˆ = sgn = y = b ( y, s sgn( y b ρ n BER BER ( σ Q / σ ρ les interférences agissent comme un bruit supplémentaire Condition «d œil ouvert»: ( σ σ 0 Bilan : détection simple à mettre en œuvre détection non-optimale 0 ssi > ρ

10 Détection par Filtre dapté (4 Canal synchrone b ˆ = sgn = ( y, s sgn( y Condition «d œil ouvert»: BER ( σ σ 0 0 ssi > ( ρ ρ Rq: quelles que soient les signatures, il existe un ensemble d offsets et d énergies tels que l œil soit fermé. Les interférences dominent sur le bruit il existe des erreurs même sans bruit le filtre adapté élimine le bruit mais pas les interférences

11

12

13

14

15 Détection par Filtre dapté (4 Canal de Rayleigh Coefficients de Fading aléatoires : y( t K M = = i= M b ( i s ( t = R où R ~ it n( t, t [0, T ] Rayleigh Détection cohérente : coefficients de Fading connus Pour K= : ˆ ( ( * b = sgn Re y BER F ( σ = σ Pour K quelconque : ( ( * b F ˆ = sgn Re y BER ( σ = σ ρ les interférences agissent comme un bruit supplémentaire

16 Détection Optimale ( Canal Synchrone ( ( ( ( t n t s b t b s t y = Pour K= : types de détection optimale : [ ] T t t y b 0, ( maximise P b ˆ ( ( [ ] T t t y b b b 0, (, b maximise P ˆ, ˆ = cosh cosh log ˆ σ ρ σ ρ σ y y y sgn b = ρ ρ ˆ y y y sgn b détection individuelle : détection conointe : σ ρ σ σ σ ρ σ (, max Q Q BER Q Q

17 Pour K quelconque : détection individuelle : Détection Optimale ( Canal Synchrone bˆ y( t K = = b minimise L (b = s b,b = b ( t n( t, exp t [0, T ] ( Ω( b/ σ détection conointe : b ˆ maximise Ω( b avec Ω( b = b T y b T Rb vantage : détection optimale Inconvénients : détection (très complexe (pour canal asynchrone, optimisation par algorithme de programmation dynamique - cf algorithme de Viterbi besoin de beaucoup d information a priori

18

19

20 Détection par Décorrélation ( Canal Synchrone Décision : ( R y ˆ = sgn b ˆb y(t Corrélateur s Corrélateur s R bˆ Corrélateur s K bˆ K bˆ solution de : T K min min { } y( t b s ( t ; K > 0 0 b =,..., K = dt vantages : pas de connaissance a priori des amplitudes possibilité de décentraliser la détection, çàd : chaque peut être calculé indépendamment des autres bˆ

21 Détection par Décorrélation ( Canal Synchrone Corrélateur ~ s ˆb y (t Corrélateur ~ s ˆb Corrélateur s~k ( ~ s combinaison linéaire des s en fonction des ρ bˆk BER ( σ = Q σ ( R, indépendant des ( Suivant les valeurs des, la décorrélation peut donner de meilleures ou de moins bonnes performances que le filtre adapté (car le décorrélateur élimine les interférences mais pas le bruit.

22 y(t ( ˆ i b Corrélateur s ( z S ( ˆ i b Corrélateur s ( ˆ i b K Corrélateur s K ( 0 ( : avec = z R R z R z S T ( Q BER = des indépendant ( η σ σ (, 0 : avec = π π ω ω ω π η d R e R e R Détection par Décorrélation (3 Canal synchrone

23

24

25

26 Détection MMSE linéaire ( Principe : trouver une forme d onde c pour l utilisateur qui minimise E {( } b c, y où c combinaison linéaire des (s on cherche la matrice M solution de min M R K K E { } b M y ( ( [ ] R y ˆ = sgn σ b

27 Détection MMSE linéaire ( Corrélateur s ˆb y(t Corrélateur s [ ] R σ ˆb Corrélateur s K bˆk vantages : maximise le rapport signal-sur-interférences matrice R éventuellement singulière bruit additif éventuellement non-gaussien «bits» b éventuellement non-binaires MMSE : compromis entre le filtre adapté et le décorrélateur σ 0 σ : : MMSE ~ décorrélateur MMSE ~ filtre adapté

28 BER filtre adapté décorrélateur MMSE SNR

29 BER filtre adapté décorrélateur MMSE SNR

30 BER filtre adapté décorrélateur MMSE SNR

31

32 Détecteurs «Decision-Driven» I. Détection par nnulations Successives ( Principe : éliminer dans le signal reçu l interférence d un utilisateur dont le bit a déà été détecté ˆ Exemple pour K= : b = sgn( y, s = sgn( bˆ y = sgn ( y bˆ s, s = sgn( y bˆ ρ T 0 y ˆb y(t s ( t s ( t T 0 y ˆb

33 Détecteurs «Decision-Driven» I. Détection par nnulations Successives ( Pour K quelconque : Détection des bits pour les utilisateurs à K bˆ K = sgn y = bˆ ρ vantages : détection simple coût calculatoire par bit linéaire par rapport à K applicable à toute technique d accès multiple Inconvénients : nécessite la connaissance des amplitudes : erreur sur leur estimation erreur sur la décision retard de démodulation linéaire par rapport à K performances asymétriques

34 Performances des nnulations Successives Canal synchrone (

35 Performances des nnulations Successives Canal synchrone (

36 Détecteurs «Decision-Driven» II. Détection «Multi-Stage» ( Obectif : faire une détection en plusieurs étapes afin d obtenir une version symétrisée du détecteur par annulations successives Première étape par Filtre dapté Exemple pour K= : bˆ bˆ = sgn = sgn ( y b ρ ( ~ y b ρ ~ avec ~ b = sgn( y y(t s ( t s ( t T 0 T 0 T 0 y ρ y ˆb ˆb

37 Détecteurs «Decision-Driven» II. Détection «Multi-Stage» ( Première étape par Décorrélateur y(t bˆ K = sgn y = s ( t s ( t T 0 T 0 T 0 y ρ y ~ b ρ ~ b ~ b ~ avec b ρ = sgn ( R y ˆb ˆb Pour SNRs proches : détecteur décorrélateur Pour SNRs très différents : détecteur détecteur optimal

38 Performances du Détecteur «Multi-Stage» Canal synchrone (

39 Performances du Détecteur «Multi-Stage» Canal synchrone (

40 Détecteurs «Decision-Driven» III. Détection «Decision-Feedbac» ( Principe : détection séquentielle, bit à la fois utilisation de méthodes linéaires et non-linéaires afin de combattre l interférence inter-utilisateur «decision feedbac» : d après techniques single-user pour combattre l interférence inter-symbole Decision-Feedbac par décorrélation synchrone Soit y = F T y avec R = F T F ( F triangulaire inférieure y = y = L y = F F = b b F n b F b F n b n

41 Détecteurs «decision-driven» III. Détection «Decision-Feedbac» ( bˆ = sgn y = F bˆ Sous forme matricielle : bˆ = sgn ( F y ( F diag F b T ( ˆ vantages : si décision correcte pour l utilisateur, pour de à -, contribution totalement éliminée dans l utilisateur en absence de bruit, décision parfaite (contrairement à la technique par annulations successives

42 Détecteurs «decision-driven» III. Détection «Decision-Feedbac» (3 Decision-Feedbac MMSE principe : chercher un détecteur de la forme bˆ = sgn ( G y Bbˆ Pour la méthode MMSE, on prend : G B = = F F T σ T σ diag ( F σ avec F σ telle que F T σ F σ = σ R vantage par rapport au détecteur MMSE «classique» : pour BER faibles, la région d acceptation en fonction des SNRs contient touours la région correspondante dans le cas du MMSE «classique»

43 Conclusion Existence d un détecteur optimal complexe (synchrone ou asynchrone mise en œuvre difficile Mise au point d algorithmes sous-optimaux - filtre adapté : réduction du bruit mais pas des interférences - décorrélateur : réduction des interférences mais pas du bruit - MMSE : compromis réduction bruit/interférences - détecteurs non-linéaires «decision-driven», çàd : décisions sur les bits interférants décision sur le bit considéré ex : successive cancellation, multi-stage detection, decision-feedbac detector, Grand nombre d autres détecteurs : - MMSE adaptatif - modèles asynchrones - Etudes de plus en plus nombreuses de détecteurs en présence de fading, de multi-traet, de diversité, codage espace-temps (systèmes MIMO,...

44 Références - S. Verdu, Multiuser Detection, Cambridge University Press, Cambridge, IEEE Journal on Selected reas in Communications: Multiuser Detection Techniques with pplication to Wired and Wireless Communications Systems I, ugust IEEE Journal on Selected reas in Communications: Multiuser Detection Techniques with pplication to Wired and Wireless Communications Systems II, February 00.

Partie 0: Rappel de communications numériques

Partie 0: Rappel de communications numériques Partie 0: Rappel de communications numériques Philippe Ciblat Télécom ParisTech, France Introduction (I) Sauf la radio, communications actuelles en numérique - GSM, 3G, TNT, Wifi - ADSL, - MP3, DVD Types

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Théorie de l information et codage pour les canaux de Rayleigh MIMO

Théorie de l information et codage pour les canaux de Rayleigh MIMO Théorie de l information et codage pour les canaux de Rayleigh MIMO Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Plan 1 Canal de Rayleigh Modèle Diversité Système MIMO

Plus en détail

Ch. 2 : Emetteur en Bande de Base

Ch. 2 : Emetteur en Bande de Base Ch. 2 : Emetteur en Bande de Base 1 1) Les codes en ligne 1-1) Principe des codes en ligne Codes en ligne binaire On suppose que le message numérique est constitué d une suite d éléments binaires α k,

Plus en détail

Introduction générale au codage de canal

Introduction générale au codage de canal Codage de canal et turbo-codes 15/9/2 1/7 Introduction générale au codage de canal Table des matières Table des matières... 1 Table des figures... 1 1. Introduction... 2 2. Notion de message numérique...

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

DS-SS CDMA W-CDMA. Multiplexage par codes : CDMA

DS-SS CDMA W-CDMA. Multiplexage par codes : CDMA DS-SS CDMA W-CDMA Jean-Marie Gorce CITI, INSA Lyon Multiplexage par codes : CDMA Le CDMA (Code Division Multiples Access) Principe utilisation simultanée de plusieurs codes Système synchronisé : les codes

Plus en détail

Plan. Codes Correcteurs d Erreurs Les codes cycliques. Division Euclidienne. Définition. Exercice. Marc Chaumont. Exercice.

Plan. Codes Correcteurs d Erreurs Les codes cycliques. Division Euclidienne. Définition. Exercice. Marc Chaumont. Exercice. Plan Codes Correcteurs d Erreurs Les codes cycliques November 12, 2008 1 2 Définition Division Euclidienne Un polynôme à coefficients dans F 2 est une fonction de la forme P(X ) = a 0 + a 1 X + a 2 X 2

Plus en détail

Interception des signaux issus de communications MIMO

Interception des signaux issus de communications MIMO Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus

Plus en détail

Systèmes MIMO OSTBCB pour le standard IEEE802.16 Doctorante: Patricia ARMANDO

Systèmes MIMO OSTBCB pour le standard IEEE802.16 Doctorante: Patricia ARMANDO Systèmes MIMO OSTBCB pour le standard IEEE802.16 Doctorante: Patricia ARMANDO 04/11/08 Sommaire Présentation du standard IEEE802.16 Option MIMO Présentation du code OSTBCB Modulations : OFDM SC Détection

Plus en détail

Les codes Pseudo-Aléatoires et leurs applications

Les codes Pseudo-Aléatoires et leurs applications Les codes Pseudo-Aléatoires et leurs applications A) Les codes Pseudo-Aléaoires B) Les Applications : I. Etalement de spectre, II. Cryptage et chiffrement III. Brouillage numérique A) Les codes Pseudo-aléatoires

Plus en détail

Systèmes de communications numériques 2

Systèmes de communications numériques 2 Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université

Plus en détail

Informatique visuelle - Vision par ordinateur. Pré-traitement d images

Informatique visuelle - Vision par ordinateur. Pré-traitement d images Informatique visuelle - Vision par ordinateur Pré-traitement d images Elise Arnaud elise.arnaud@imag.fr cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer, M Black, V. Gouet-Brunet

Plus en détail

Synthèse théorique des méthodes de transmission binaires sur les canaux vocodés

Synthèse théorique des méthodes de transmission binaires sur les canaux vocodés Synthèse théorique des méthodes de transmission binaires sur les canaux vocodés I Introduction On cherche à moduler des données binaires dans le but de les transmettre sur des canaux vocodés. Afin de transmettre

Plus en détail

Propriétés des images numériques Contraintes sur l interprétation

Propriétés des images numériques Contraintes sur l interprétation Propriétés des images numériques Contraintes sur l interprétation M.LOUYS, Traitement d images et problèmes inverses Master Astrophysique, Observatoire de Strasbourg, 2013 Propriétés générales d une image

Plus en détail

Filtre de Wiener. Analyse en Composantes Principales

Filtre de Wiener. Analyse en Composantes Principales Filtre de Wiener Analyse en Composantes Principales Guillaume Obozinski LIGM/Ecole des Ponts - ParisTech Traitement de l information et vision artificielle Ecole des Ponts Filtre de Wiener Norbert Wiener

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

Cours de Statistiques

Cours de Statistiques Cours de Statistiques Romain Raveaux 1 1 Laboratoire L3I Université de La Rochelle romain.raveaux01 at univ-lr.fr Octobre 24-11, 2008 1 / 35 Sommaire 1 Quelques Rappels 2 numériques Relations entre deux

Plus en détail

Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux

Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Cours Info - 12. Représentation des nombres en machine. D.Malka MPSI 2014-2015. D.Malka Cours Info - 12 MPSI 2014-2015 1 / 45

Cours Info - 12. Représentation des nombres en machine. D.Malka MPSI 2014-2015. D.Malka Cours Info - 12 MPSI 2014-2015 1 / 45 Cours Info - 12 Représentation des nombres en machine D.Malka MPSI 2014-2015 D.Malka Cours Info - 12 MPSI 2014-2015 1 / 45 Sommaire Sommaire 1 Bases de numération par position 2 Représentation des entiers

Plus en détail

D.I.I.C. 3 - INC Module COMV - Contrôle 1

D.I.I.C. 3 - INC Module COMV - Contrôle 1 Université de Rennes 1 année 2009-2010 I.F.S.I.C. 11 Décembre 2009 D.I.I.C. 3 - INC Module COMV - Contrôle 1 cours d Olivier LE MEUR Durée : 2 heures Documents autorisés : documents des cours, TD et TP,

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

Systèmes de transmission

Systèmes de transmission Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un

Plus en détail

1 Introductions. 3. Propriétés et Répartition spectrale. 1 Energie moyenne, distance. 2 Densité Spectrale de Puissance (DSP)

1 Introductions. 3. Propriétés et Répartition spectrale. 1 Energie moyenne, distance. 2 Densité Spectrale de Puissance (DSP) C o m m u n i c a t i o n s N u m é r i q u e s C N 2 1 1 Introductions. 2. Représentation des signaux Numériques. 1 Signal binaire. Modulation en BdB et sur fréquence porteuse, MAQ. 2 Représentation vectorielle,

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Techniques de synchronisatio. communications numériques

Techniques de synchronisatio. communications numériques n pour les communications numériques ENST-Bretagne Département Signal et Communication 1/13 Sommaire La synchronisation dans les communications numériques Présentation du contexte Hypothèses sur les perturbations

Plus en détail

Modulations numériques 1

Modulations numériques 1 ENSA ECOLE NATIONALE DES SCIENCES APPLIQUEES D EL JADIDA DEPARTEMENT DE TELECOMMUNICATIONS Cours: T5 Communications numériques Présenté par Prof. Dr. A. Berraissoul Cycle Ingénieur 2012/2013 2 Cours: T

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Expérience 3 Formats de signalisation binaire

Expérience 3 Formats de signalisation binaire Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx

Plus en détail

Communications Numériques et Théorie de l Information Contrôle de Connaissances avec documents Mardi 24 juin - 13h30 à 15h00

Communications Numériques et Théorie de l Information Contrôle de Connaissances avec documents Mardi 24 juin - 13h30 à 15h00 Communications Numériques et Théorie de l Information Contrôle de Connaissances avec documents Mardi 4 juin - 13h30 à 15h00 Système de télérelevage par satellite On se propose d étudier le fonctionnement

Plus en détail

Modélisation stochastique et analyse de données

Modélisation stochastique et analyse de données Modélisation stochastique et analyse de données Formation FIL - Année 1 Régression par la méthode des moindres carrés 2011/2012 Tony Bourdier Modélisation stochastique et analyse de données 1 / 25 Plan

Plus en détail

Laboratoire Codage de Canal

Laboratoire Codage de Canal 1 BUT D U LAB OR ATO IRE Le but de ce laboratoire est d étudier la notion de codage de canal. Le codage de canal consiste en une signature que l on ajoute sur tout paquet d information à transmettre. Cela

Plus en détail

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test 11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif

Plus en détail

Arbres de décisions et forêts aléatoires.

Arbres de décisions et forêts aléatoires. Arbres de décisions et forêts aléatoires. Pierre Gaillard 7 janvier 2014 1 Plan 1 Arbre de décision 2 Les méthodes d ensembles et les forêts aléatoires 2 Introduction 3 Introduction Jeu de données (ex

Plus en détail

codage correcteur d erreurs convolutionnel 1. Définition...2 2. représentation en treillis...3 3. Décodage : algorithme de Viterbi...3 4.

codage correcteur d erreurs convolutionnel 1. Définition...2 2. représentation en treillis...3 3. Décodage : algorithme de Viterbi...3 4. codage correcteur d erreurs convolutionnel. éfinition.... représentation en treillis...3 3. écodage : algorithme de Viterbi...3 4. istance libre...5 5. iagramme d état. Fonction de transfert...5 6. écodage

Plus en détail

Codes Correcteurs d Erreurs Les codes binaires linéaires parfaits + Code de Hamming, + Code de Golay

Codes Correcteurs d Erreurs Les codes binaires linéaires parfaits + Code de Hamming, + Code de Golay Codes Correcteurs d Erreurs Les codes binaires linéaires parfaits + Code de Hamming, + Code de Golay November 12, 2008 Plan 1 2 Rappel : la borne de Hamming pour un code linéaire est t i=0 ( n i ) 2 n

Plus en détail

La couche physique de l ADSL (voie descendante)

La couche physique de l ADSL (voie descendante) La couche physique de l ADSL (voie descendante) Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Problématique qq kilomètres CENTRAL câble de 0,4mm Objectifs initiaux :

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Transmission de données. A) Principaux éléments intervenant dans la transmission

Transmission de données. A) Principaux éléments intervenant dans la transmission Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement

Plus en détail

Systèmes de communications numériques 2

Systèmes de communications numériques 2 Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université

Plus en détail

ENSIL Troisième Année ELT

ENSIL Troisième Année ELT IFORMATIQUE APPLIQUEE TD1 Dans le cadre de ces TD, nous procédons à la simulation d'un système de télécommunication numérique. Cette opération va nous permettre d'étudier la performance du système sous

Plus en détail

Modulation et démodulation d amplitude.

Modulation et démodulation d amplitude. Modulation et démodulation d amplitude. P. Ribiere Collège Stannislas Année Scolaire 2014/2015 P. Ribiere (Collège Stannislas) Modulation et démodulation d amplitude. Année Scolaire 2014/2015 1 / 42 1

Plus en détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51 Résolution de systèmes linéaires : Méthodes directes Polytech Paris-UPMC - p. /5 Rappels mathématiques s Propriétés - p. 2/5 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques

Plus en détail

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

Plus en détail

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

Plus en détail

Les systèmes RAID Architecture des ordinateurs

Les systèmes RAID Architecture des ordinateurs METAIS Cédric 2 ème année Informatique et réseaux Les systèmes RAID Architecture des ordinateurs Cédric METAIS ISMRa - 1 - LES DIFFERENTS SYSTEMES RAID SOMMAIRE INTRODUCTION I LES DIFFERENTS RAID I.1 Le

Plus en détail

Multiplication par une constante entière

Multiplication par une constante entière Multiplication par une constante entière Vincent Lefèvre Juin 2001 Introduction But : générer du code optimal à l aide d opérations élémentaires (décalages vers la gauche, additions, soustractions). Utile

Plus en détail

Chapitre 2 : communications numériques.

Chapitre 2 : communications numériques. Chapitre 2 : communications numériques. 1) généralités sur les communications numériques. A) production d'un signal numérique : transformation d'un signal analogique en une suite d'éléments binaires notés

Plus en détail

Les arbres de décision

Les arbres de décision Les arbres de décision 25 Septembre 2007 Datamining 1 2007-2008 Plan 1 Le partitionnement récursif 2 C4.5 3 CART 4 Evaluation de performances 5 Bilan Datamining 2 2007-2008 Les données du Titanic Le partitionnement

Plus en détail

Université de La Rochelle. Réseaux TD n 6

Université de La Rochelle. Réseaux TD n 6 Réseaux TD n 6 Rappels : Théorème de Nyquist (ligne non bruitée) : Dmax = 2H log 2 V Théorème de Shannon (ligne bruitée) : C = H log 2 (1+ S/B) Relation entre débit binaire et rapidité de modulation :

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Synchronisation trame et estimation de phase aveugles pour les systèmes codés

Synchronisation trame et estimation de phase aveugles pour les systèmes codés Synchronisation trame et estimation de phase aveugles pour les systèmes codés Département Signal et Communications Encadrants: Sébastien Houcke Catherine Douillard Directeur de thèse: Ramesh Pyndiah Introduction

Plus en détail

Les défis de l ordinateur quantique

Les défis de l ordinateur quantique Les défis de l ordinateur quantique Frédéric Magniez http://www.lri.fr/quantum Vers la nanotechnologie 2 Fin de la loi de Moore? "No exponential is forever. Your job is to delay forever.", Andrew Gordon

Plus en détail

Chapitre 2 : Systèmes radio mobiles et concepts cellulaires

Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

Phase Locked Loop (boucle à verrouillage de phase) f ref Φ. f out

Phase Locked Loop (boucle à verrouillage de phase) f ref Φ. f out Phase Locked Loop (boucle à verrouillage de phase) f ref Φ f out N - Principe 2 - Principaux comparateurs de phase 3 - Différents types 3-: PLL du 2 nd ordre - type 3-2: PLL avec pompe de charge - 3 ème

Plus en détail

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Fonctions de la couche physique

Fonctions de la couche physique La Couche physique 01010110 01010110 Couche physique Signal Médium Alain AUBERT alain.aubert@telecom-st-etienne.r 0 Fonctions de la couche physique 1 1 Services assurés par la couche physique Transmettre

Plus en détail

Plan de la présentation

Plan de la présentation Thomas Quang Khoi TA Équipe ETSN, Supélec, campus de Rennes Mitsubishi -TCL, Rennes 08 décembre 2003 1 Plan de la présentation 1- Codes produits, 2- Décodage itératif des codes produits : turbo codes en

Plus en détail

Sommaire. Communications numériques AIR 2 Quelques systèmes de communications. Sommaire. Multiplexage. Laurent Oudre laurent.oudre@univ-paris13.

Sommaire. Communications numériques AIR 2 Quelques systèmes de communications. Sommaire. Multiplexage. Laurent Oudre laurent.oudre@univ-paris13. Communications numériques AIR 2 Quelques systèmes de communications Laurent Oudre laurent.oudre@univ-paris13.fr Université Paris 13, Institut Galilée Ecole d ingénieurs Sup Galilée Parcours Informatique

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

La rugosité arithmétique (Ra), la rugosité quadratique moyenne (Rq) et les normes Lα

La rugosité arithmétique (Ra), la rugosité quadratique moyenne (Rq) et les normes Lα WORKSHOP RUGOSITE Université de Poitiers 11 Octobre 27 La rugosité arithmétique (Ra), la rugosité quadratique moyenne (Rq) et les normes Lα François HENNEBELLE 1,3, Maxence BIGERELLE 2 et Thierry COOREVITS

Plus en détail

de calibration Master 2: Calibration de modèles: présentation et simulation d

de calibration Master 2: Calibration de modèles: présentation et simulation d Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe

Plus en détail

Optimisation de la performance. d un processus d usinage à commande numérique

Optimisation de la performance. d un processus d usinage à commande numérique Jacques ALEXIS 20 Novembre 2001 Optimisation de la performance d un processus d usinage à commande numérique 1 Exposé du problème à résoudre L exemple utilisé pour cette présentation a été présenté par

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

COMMUNICATIONS NUMERIQUES INTRA VEHICULE : CARACTERISATION DES BRUITS ET DES INTERFERENCES

COMMUNICATIONS NUMERIQUES INTRA VEHICULE : CARACTERISATION DES BRUITS ET DES INTERFERENCES COMMUNICATIONS NUMERIQUES INTRA VEHICULE : CARACTERISATION DES BRUITS ET DES INTERFERENCES Virginie DEGARDIN*, Marc HEDDEBAUT**, Martine LIENARD*, Virginie DENIAU** et Pierre DEGAUQUE* (*): Université

Plus en détail

Digital Subscriber Line

Digital Subscriber Line Digital Subscriber Line Bernard Cousin Présentation d'adsl But : Offrir l'accès à l'internet à partir d'un domicile personnel Le cout des réseaux d'accès est très important par rapport à celui du réseau

Plus en détail

La (les) mesure(s) GPS

La (les) mesure(s) GPS La (les) mesure(s) GPS I. Le principe de la mesure II. Equation de mesure GPS III. Combinaisons de mesures (ionosphère, horloges) IV. Doubles différences et corrélation des mesures V. Doubles différences

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Les techniques de multiplexage

Les techniques de multiplexage Les techniques de multiplexage 1 Le multiplexage et démultiplexage En effet, à partir du moment où plusieurs utilisateurs se partagent un seul support de transmission, il est nécessaire de définir le principe

Plus en détail

UE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd

UE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le

Plus en détail

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 Utiles pour réaliser r des tirages et simuler des phénom nomènes nes aléatoires atoires Nombres aléatoires: atoires:

Plus en détail

Modèle probabiliste: Algorithmes et Complexité

Modèle probabiliste: Algorithmes et Complexité Modèles de calcul, Complexité, Approximation et Heuristiques Modèle probabiliste: Algorithmes et Complexité Jean-Louis Roch Master-2 Mathématique Informatique Grenoble-INP UJF Grenoble University, France

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

TELEVISION NUMERIQUE

TELEVISION NUMERIQUE REPUBLIQUE DU CAMEROUN Paix - Travail Patrie --------------------- UNIVERSITE DE YAOUNDE I ---------------------- ECOLE NATIONALE SUPERIEURE POLYTECHNIQUE ---------------------- REPUBLIC OF CAMEROUN Peace

Plus en détail

Conception et simulation des systèmes de production. Chapitre 7 Planification et gestion de projet

Conception et simulation des systèmes de production. Chapitre 7 Planification et gestion de projet Conception et simulation des systèmes de production Chapitre 7 Planification et gestion de projet Planification et gestion de projet Les 6 phases d un projet industriel : 1. L enthousiasme délirant sous-estimation

Plus en détail

Systèmes de communications numériques 2

Systèmes de communications numériques 2 Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université

Plus en détail

Compression d images. Frédéric Dufaux. 26 janvier 2011. Département Traitement du Signal et des Images TELECOM ParisTech. Compression. F.

Compression d images. Frédéric Dufaux. 26 janvier 2011. Département Traitement du Signal et des Images TELECOM ParisTech. Compression. F. d images Frédéric Dufaux Département Traitement du Signal et des Images TELECOM ParisTech 26 janvier 2011 1 / 91 Plan 1 sur la compression d images 2 Quantification 3 4 Codage par Transformée 5 2 / 91

Plus en détail

S. Zozor Information, inégalités et relations d incertitude

S. Zozor Information, inégalités et relations d incertitude Information, inégalités et relations d incertitude Steeve Zozor GIPSA-Lab CNRS Grenoble INP, Grenoble, France 17-21 Mai 2010 Plan du cours 1 Entropie mesure d incertitude Axiomes, entropie de Shannon et

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34 Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second

Plus en détail

Processeurs et Architectures Numériques. Introduction et logique combinatoire

Processeurs et Architectures Numériques. Introduction et logique combinatoire Processeurs et Architectures Numériques Introduction et logique combinatoire Objectifs du cours Connaitre les fonctions de base de l électronique numérique Comprendre la logique combinatoire et synchrone

Plus en détail

De la modulation OFDM à WiMAX

De la modulation OFDM à WiMAX S olutions COMMUNICATIONS RADIO De la modulation OFDM à WiMAX Les techniques de communication sans fil sont aujourd hui accessibles à tous. De nombreux standards sont opérationnels, les performances s

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr

Exo7. Formes quadratiques. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr Exo Formes quadratiques Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

Plus en détail

Laboratoire 4: L analyse spectrale et le filtrage par transformée de Fourier

Laboratoire 4: L analyse spectrale et le filtrage par transformée de Fourier Université du Québec à Montréal Département d Informatique MIC4220 Traitement numérique des signaux Laboratoire 4: L analyse spectrale et le filtrage par transformée de Fourier But Familiarisation avec

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

Chapitre 7 : Programmation dynamique

Chapitre 7 : Programmation dynamique Graphes et RO TELECOM Nancy 2A Chapitre 7 : Programmation dynamique J.-F. Scheid 1 Plan du chapitre I. Introduction et principe d optimalité de Bellman II. Programmation dynamique pour la programmation

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

Le contrôle d erreur. Applications. Détections et corrections d erreurs. La détection d erreur

Le contrôle d erreur. Applications. Détections et corrections d erreurs. La détection d erreur Le contrôle d erreur Les données peuvent être modifiées (ou perdues) pendant le transport Un service primordial pour de nombreuses applications Exemple : le transfert de fichier Modification au niveau

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

Partie 1: Gestion de l interférence entre symboles

Partie 1: Gestion de l interférence entre symboles Partie 1: Gestion de l interférence entre symboles Philippe Ciblat Télécom ParisTech, France Algo de Viterbi Egalisation OFDM Section 11 : Algorithme de Viterbi Philippe Ciblat Gestion de l interférence

Plus en détail