République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université 8 Mai 1945 Guelma

Faculté : Sciences et Technologies

Département : Génie Electrotechnique et Automatique

THÈSE
EN VUE DE L’OBTENTION DU DIPLOME DE
DOCTORAT EN SCIENCE

Filière : Génie électrique

Présentée par

SAIDANI Samir

Intitulée

Sur l’égalisation adaptative dans les systèmes de communications

numériques

Soutenue le : 09/07/2020 Devant le Jury composé de :

Mr BOUDJEHEM Djalil Professeur Univ. 8 Mai 1945 - Guelma Président

Mr MOUSSAOUI Abdelkrim Professeur Univ. 8 Mai 1945 - Guelma Rapporteur
Mr BAHI Tahar Professeur Univ. Badji mokhtar - Annaba Examinateur
Mr ARBAOUI Faicel MC-A Univ. Badji mokhtar - Annaba Examinateur

Année Universitaire : 2019/2020

 Remerciement

Remerciement

Cette thèse s’est déroulée au sein du laboratoire de contrôle avancé (LABCAV) de

l’Université 8 Mai 1945 Guelma.

Avant tout, Merci à Dieu le tout puissant qui m’a donné le courage et la force pour
réaliser ce modeste travail, et à qui j'adresse mes remerciements par sa grâce infinie pour
moi.

Mes remerciements s’adressent également, à mon directeur de thèse, Monsieur Abdelkrim

MOUSSAOUI Professeur à l’Université 8 Mai 1945 Guelma, pour m’avoir confié le sujet
de cette thèse qu’il a dirigé avec intérêt. Et aussi pour la confiance qu’il m’a accordée tout
le long de mes travaux de recherche.

Je remercie Monsieur Djalil BOUDJEHEM, Professeur à l’Université 8 Mai 1945 -

Guelma, pour l’honneur qu’il m’a fait en acceptant de présider ce jury. Je remercie
également Monsieur Tahar BAHI, Professeur à l’Université Badji Mokhtar - Annaba, ainsi
que, Monsieur Faicel ARBAOUI, Maître de Conférences à l’Université Badji Mokhtar -
Annaba, de m’avoir fait l’honneur de bien vouloir participer au jury de cette thèse.

Je remercie aussi, mes amis et ma famille qui m’ont apporté à un moment ou à un autre
leur aide pendant cette thèse. Je remercie tous ceux que j’ai oublies, et qui de près ou de
loin, ont contribué à cette thèse.

I
 Avant-propos

Avant-propos

Prénom et Nom de l’auteur de la thèse : Samir Saidani

Intitulé de la thèse : Sur l’égalisation adaptative dans les systèmes de communications

numériques.

Prénom et Nom du directeur de la thèse : Pr. Abdelkrim Moussaoui (Professeur à la

Faculté des Sciences et de la Technologie, Université 8 Mai 1945 Guelma).

Lieu de réalisation du travail : Laboratoire de contrôle avancé (LABCAV), Faculté des

Sciences et de la Technologie, Université 8 Mai 1945 Guelma.

Publication Internationales

1. Samir Saidani, A. Moussaoui, M. Ghadjati, “Channel Equalization Based On SFLA

and DSO Trained Artificial Neural Network”, Telecommunications and Radio
Engineering, vol. 78, no. 17, pp. 1589-1600, 2019.

2. Samir Saidani, Abdelkrim Moussaoui, Mohamed Ghadjati, “A New Training Strategy

for DFE-MLP Using Modified BP Algorithm and Application to Channel
Equalization”, WSEAS Transactions on Signal Processing, vol. 13, pp.115-120, 2017.

Communications Internationales

1. Samir SAIDANI, Issam TIFOUTI, Mohamed GHADJATI and MOUSSAOUI

Abdelkrim, “Performance of the Multilayer Perceptron based DFE for Linear and
Nonlinear Channels”, Proceeding of the International Conference on Automatic
Control, Telecommunications and Signals(ICATS'2015), 16-18 November 2015,
Annaba, Algeria.

2. SAIDANI Samir, TIFOUTI Issam, GHADJATI Mohamed and MOUSSAOUI

Abdelkrim, “Training Artificial Neural Networks with fast Adaptive Algorithms for
Channel Equalization”, International Conference on Pattern Analysis and Intelligent
Systems(PAIS-2015), 26-27 October 2015, Tebessa, Algeria.

3. Samir SAIDANI, Abdelkrim MOUSSAOUI, Mohamed GHADJATI and Issam

TIFOUTI, “Channel equalization with artificial neural network”, Proceeding of the 1st
International conference on applied automation and industriel diagnostics
ICAAID2015, March 29-30th, 2015 Djelfa, Algeria.

II
 Résumé

L’égalisation des canaux de transmission est une fonction principale dans les systèmes de
communications numériques, elle consiste à la restitution du signal transmis, après être
distordu, par l’effet du canal et du bruit.
Les égaliseurs classiques sont basés simplement sur des filtres numériques (Filtre à réponse
impulsionnelle finie et Filtre à réponse impulsionnelle infinie) ce qui limite leurs
performances dans le cas des canaux de transmission non linéaires. Afin d'améliorer les
performances de l'égaliseur, les réseaux de neurones artificiels ont été largement utilisés,
en particulier dans certains cas de canaux non linéaires. Plusieurs algorithmes sont utilisés
pour optimiser les poids des réseaux de neurones. Certains utilisent les techniques basées
sur le gradient. Bien que ces algorithmes soient très utiles pour l’optimisation des poids des
réseaux de neurones, ils souffrent du problème de minimum local. Afin de résoudre ce
problème, de nombreux algorithmes de recherche stochastiques connus sous le nom
d'algorithmes méta-heuristiques ont été proposés.
Dans le présent travail, on se propose l’étude des égaliseurs adaptatifs tout en testant leurs
performances. Dans ce contexte, nous avons focalisé nos recherches sur les algorithmes
d’apprentissage pour améliorer la fonction d’égalisation.

Mots-clés : Egalisation, Filtrage adaptatif, canal de transmission, communication

numérique, algorithmes d’apprentissage.

III
 Abstract

Adaptive channel equalizers play an important role in digital communication systems, its
main function is returning the transmitted signal after being distorted by the channel effect
and noise.
Classic Equalizers are based simply on digital filters (Finite impulse response filter and
Infinite impulse response filter), which limits their performance in the case of non-linear
channels. In order to enhance the performance of the equalizer, artificial neural network
were broadly used especially in some cases of nonlinear channels. Several algorithms are
used to optimize the weight of the neural networks. Some of them use the gradient-based
techniques. Although these algorithms are very helpful for training the neural networks,
they suffer from the local minimum problem. In order to solve this problem, many
stochastic search algorithms which are known as meta-heuristic algorithms have been
proposed.
In the present work, we propose a study of adaptive equalizers and testing their
performances. In this context, we focused our research on learning algorithms to improve
the equalization function.

Keywords: Equalization, adaptive filtering, transmission channel, digital communication,

learning algorithms.

IV
 ‫ﻣــﻠﺨـــﺺ‬

‫ﺗﻌــــﺪ ﻣﺴﻮﻳـــﺎﺕ ﻗﻨـــﻮﺍﺕ ﺍﻹﺗﺼــﺎﻝ ﻣــﻦ ﺍﻟﻮﻅــﺎﺋــﻒ ﺍﻟﺮﺋــﻴﺴﻴــﺔ ﻓــﻲ ﺃﻧﻈﻤـــﺔ ﺍﻻﺗﺼــﺎﻻﺕ ﺍﻟﺮﻗﻤﻴــﺔ‪ ،‬ﻓﻬـــﻲ‬
‫ﺗﻌﻤــــﻞ ﻋﻠـــﻰ ﺇﺳﺘﺮﺟـــﺎﻉ ﺍﻹﺷـــﺎﺭﺓ ﺍﻟﻤﺮﺳﻠـــــﺔ ﺑﻌـــﺪ ﺗﺸــﻮﻳﻬﻬـــﺎ ﺑﺴـﺒﺐ ﺗــﺄﺛﻴـــﺮ ﺍﻟﻘﻨــــﺎﺓ ﻭﺍﻟﻀﺠﻴـــــﺞ‪.‬‬
‫ﺗﻌﺘﻤـــﺪ ﺍﻟﻤﺴﻮﻳــــﺎﺕ ﺍﻟﺘﻘﻠﻴﺪﻳــــﺔ ﺑﺒﺴﺎﻁـــــﺔ ﻋﻠـــﻰ ﺍﻟﻤﺮﺷﺤــــﺎﺕ ﺍﻟﺮﻗﻤﻴـــﺔ )ﻣﺮﺷـــﺢ ﺫﻭ ﺍﺳﺘﺠﺎﺑـــﺔ ﻧﺒﻀﻴــــﺔ‬
‫ﻣﺤــﺪﺩﺓ ﻭ ﻣﺮﺷــﺢ ﺫﻭ ﺍﺳﺘﺠﺎﺑـــﺔ ﻧﺒﻀﻴــﺔ ﻏﻴــــﺮ ﻣﺤــﺪﺩﺓ( ﻭﺍﻟﺘـــﻲ ﺗﺤـــﺪ ﻣــﻦ ﺃﺩﺍﺋــــﻬﺎ ﻓــــﻲ ﺣﺎﻟـــﺔ ﻗﻨــــﻮﺍﺕ‬
‫ﺍﻹﺗﺼــــﺎﻝ ﺍﻟﻼﺧﻄﻴــــﺔ‪.‬‬
‫ﻣــﻦ ﺃﺟـــﻞ ﺗﺤﺴﻴـــــﻦ ﺃﺩﺍء ﺍﻟﻤﺴﻮﻳــــﺎﺕ‪ ،‬ﺗـــﻢ ﺍﺳﺘﺨــﺪﺍﻡ ﺍﻟﺸﺒﻜــﺎﺕ ﺍﻟﻌﺼﺒﻴــﺔ ﺍﻹﺻﻄﻨـــﺎﻋﻴـــﺔ ﻋﻠﻰ ﻧﻄـــــﺎﻕ‬
‫ﻭﺍﺳـــﻊ ﻭﺧﺎﺻـــﺔ ﻓـــﻲ ﺑـــﻌﺾ ﺍﻟﻘﻨــــﻮﺍﺕ ﺍﻟﻼﺧﻄﻴـــــﺔ‪.‬‬
‫ﻟﺘﺤﺴﻴــــﻦ ﺃﻭﺯﺍﻥ ﺍﻟﺸﺒﻜــــﺎﺕ ﺍﻟﻌﺼﺒﻴـــﺔ‪ ،‬ﺗــﻢ ﺍﺳﺘﺨــــﺪﺍﻡ ﺍﻟﻌﺪﻳــــﺪ ﻣـــﻦ ﺍﻟﺨﻮﺍﺭﺯﻣﻴــــﺎﺕ‪ ،‬ﺑﻌﻀﻬــــﻢ ﻳﺴﺘﺨـــﺪﻡ‬
‫ﺍﻟﺘﻘﻨﻴـــــﺎﺕ ﺍﻟﻘﺎﺋﻤــﺔ ﻋﻠـــﻰ ﺍﻟﺘــﺪﺭﺝ‪ .‬ﻋﻠـــﻰ ﺍﻟﺮﻏـــﻢ ﻣــﻦ ﺃﻥ ﻫــﺬﻩ ﺍﻟﺨﻮﺍﺭﺯﻣﻴــﺎﺕ ﻣﻔﻴــﺪﺓ ﺟـــﺪًﺍ ﻓــﻲ ﺗﺪﺭﻳـــﺐ‬
‫ﺍﻟﺸﺒﻜـــﺎﺕ ﺍﻟﻌﺼﺒﻴـﺔ‪ ،‬ﺇﻻ ﺃﻧـــﻬﺎ ﺗﻌﺎﻧـــﻲ ﻣــﻦ ﻣﺸﻜﻠـــﺔ ﺍﻟﺤــﺪ ﺍﻷﺩﻧـــﻰ ﺍﻟﻤﺤﻠﻴــــﺔ‪ ،‬ﻟﺤـــﻞ ﻫـــﺬﻩ ﺍﻟﻤﺸﻜﻠـــﺔ‪ ،‬ﺗـــﻢ‬
‫ﺇﻗﺘــﺮﺍﺡ ﺍﻟﻌﺪﻳــﺪ ﻣـﻦ ﺧﻮﺍﺭﺯﻣﻴــﺎﺕ ﺍﻟﺒﺤــﺚ ﺍﻟﻌﺸﻮﺍﺋــﻲ ﺍﻟﻤﻌﺮﻭﻓــﺔ ﺑﺎﺳـــﻢ ﺧﻮﺍﺭﺯﻣﻴــــﺎﺕ ﺍﻻﺳﺘـــﺪﻻﻝ ﺍﻟﻔﻮﻗﻴــﺔ‪.‬‬
‫ﻓـــﻲ ﺍﻟﻌﻤـــﻞ ﺍﻟﺤﺎﻟــــﻲ ‪ ،‬ﻧﻘﺘـــﺮﺡ ﺩﺭﺍﺳـــﺔ ﺍﻟﻤﻌـــﺎﺩﻻﺕ ﺃﻭ ﺍﻟﻤﺴﻮﻳــــﺎﺕ ﺍﻟﺘﻜﻴﻔﻴــــﺔ ﻭ ﺇﺧﺘﺒـــﺎﺭ ﺃﺩﺍﺋــــﻬﺎ‪ .‬ﻓــﻲ‬
‫ﻫــﺬﺍ ﺍﻟﺴﻴــﺎﻕ ﺭﻛﺰﻧــﺎ ﺑﺤﺜﻨـــﺎ ﻋﻠـــﻰ ﺧﻮﺍﺭﺯﻣﻴـــﺎﺕ ﺍﻟﺘﻌﻠــــﻢ ﻟﺘﺤﺴﻴـــﻦ ﻭﻅﻴﻔـــﺔ ﺍﻟﻤﻌﺎﺩﻟـــــﺔ‪.‬‬

‫ﺍﻟﻛﻠﻣـــﺎﺕ ﺍﻟﻣﻔﺗﺎﺣﻳـــﺔ‪ :‬ﺍﻟﺘﺴﻮﻳــــﺔ ‪،‬ﺍﻟﺘﺮﺷﻴـــﺢ ﺍﻟﺘﻜﻴﻔـــﻲ‪ ،‬ﻗﻨـــﺎﺓ ﺍﻹﺭﺳـــﺎﻝ ‪ ،‬ﺍﻻﺗﺼـــﺎﻻﺕ ﺍﻟﺮﻗﻤﻴــــﺔ ‪ ،‬ﺧﻮﺍﺭﺯﻣﻴــــﺎﺕ‬
‫ﺍﻟﺘﻌﻠــــﻢ‪.‬‬

‫‪V‬‬
 Table des matières

Table des matières

Remerciement -------------------------------------------------------------------------------------------------- I
Avant-propos --------------------------------------------------------------------------------------------------- II
Résumé ----------------------------------------------------------------------------------------------------------- III
Abstract ---------------------------------------------------------------------------------------------------------- IV
‫ ﻣـــﻠﺧــــﺹ‬---------------------------------------------------------------------------------------------------------- V
Liste des figures ------------------------------------------------------------------------------------------------ X
Liste des tableaux ---------------------------------------------------------------------------------------------- XIII
Liste des abréviations ----------------------------------------------------------------------------------------- XIV
INTRODUCTION GENERALE ---------------------------------------------------------------------------- 1

Chapitre 1
INTRODUCTION AUX COMMUNICATIONS NUMERIQUE

1.1 Introduction ------------------------------------------------------------------------------------------- 4

1.2 Description d’un système de communication numérique ------------------------------------- 4
1.2.1 Chaine de transmission numérique --------------------------------------------------------- 4
1.2.2 Critère de choix entre les techniques de transmissions ---------------------------------- 8
1.3 Caractérisation et modélisation d’un canal de transmission ---------------------------- 9
1.3.1 Canal à bruit additif -------------------------------------------------------------------------- 9
1.3.2 Canal à filtre linéaire ------------------------------------------------------------------------ 11
1.3.3 Canal à filtre linéaire variant dans le temps ---------------------------------------------- 12
1.3.4 Canal à filtre non linéaire ------------------------------------------------------------------- 13
1.4 Taux d’erreur binaire et capacité d’un canal de transmission --------------------------- 15
1.4.1 Capacité d’un canal de transmission ------------------------------------------------------ 15
1.4.2 Taux d’erreur binaire ------------------------------------------------------------------------ 16
1.5 Perturbations apportées par les canaux de transmission -------------------------------- 17
1.5.1 Affaiblissement ------------------------------------------------------------------------------- 17
1.5.2 Trajets multiples et interférences entre symboles (IES) -------------------------------- 19
[Link] Trajets multiples ------------------------------------------------------------------- 19
[Link] Modèle du canal multi-trajet ----------------------------------------------------- 20
[Link] Interférences entre symboles (IES) --------------------------------------------- 22
[Link] Annulation de l’IES : condition de Nyquist ----------------------------------- 25
1.6 Filtrage numériques -------------------------------------------------------------------------- 28
1.6.1 Filtre à réponse impulsionnelle finie (RIF) ----------------------------------------------- 28
1.6.2 Filtre à réponse impulsionnelle Infinie (RII) ---------------------------------------------- 29
1.6.3 Comparaison entre les filtres RIF et RII --------------------------------------------------- 30
1.6.4 Filtrage adaptatif ------------------------------------------------------------------------------ 31
1.7 Conclusion ---------------------------------------------------------------------------------------------- 32

VI
 Table des matières

Chapitre 2
ALGORITHMES D’OPTIMISATIONS : ÉTAT DE L’ART

2.1 Introduction ----------------------------------------------------------------------------------- 33

2.2 Caractéristiques ------------------------------------------------------------------------------- 33
2.2.1 Formulation des problèmes d’optimisation ----------------------------------------------- 33
2.2.2 Optimum local et optimum global ---------------------------------------------------------- 34
2.2.3 Opérateurs de recherche fondamentaux --------------------------------------------------- 34
2.2.4 Sensibilité et robustesse d’une méthode d’optimisation --------------------------------- 35
2.2.5 Ordre d’une méthode de résolution -------------------------------------------------------- 35
2.3 Les méthodes d’optimisation locale --------------------------------------------------------------- 36
2.3.1 Optimisation déterministe ------------------------------------------------------------------- 36
[Link] L’algorithme du gradient à pas fixe ---------------------------------------------- 37
[Link] L’algorithme du gradient à pas prédéterminé ----------------------------------- 37
[Link] L’algorithme du gradient à pas optimal (Steepest descent) ------------------- 37
2.3.2 Optimisation non déterministe ou stochastique ------------------------------------------- 38
[Link] Le processus de Kiefer-Wolfowitz ------------------------------------------------ 38
[Link] Le processus de James Spall ------------------------------------------------------- 39
2.4 Les méthode d’optimisation globale -------------------------------------------------------------- 39
2.4.1 Méthodes déterministes ----------------------------------------------------------------------- 39
2.4.2 Méthode non déterministes ----------------------------------------------------------------- 40
[Link] L’optimisation par essaim de particules (PSO) --------------------------------- 44
[Link] Algorithme des sauts de grenouilles (SFLA) ------------------------------------ 46
[Link] Algorithme d’optimisation de recherche dirigé (DSO) ------------------------ 48
2.5 Conclusion ---------------------------------------------------------------------------------------------- 50

Chapitre 3
TECHNIQUES D’EGALISATION

3.1 Introduction ----------------------------------------------------------------------------------- 51

3.2 Principe de l’égalisation ---------------------------------------------------------------------- 51
3.3 Principales structures d’égaliseurs -------------------------------------------------------------- 55
3.3.1 Egalisation transversal linéaire (LE) ------------------------------------------------------ 55
3.3.2 Egalisation à retour de décision (DFE) ---------------------------------------------------- 57
3.4 Estimation du canal ---------------------------------------------------------------------------------- 58
3.4.1 Algorithme des moindres carrés moyens (LMS) ------------------------------------------ 60

VII
 Table des matières

[Link] Adaptation de l’égaliseur linéaire (LE) -------------------------------------------- 60

[Link] Adaptation de l’égaliseur DFE ----------------------------------------------------- 62
3.4.2 Algorithme des moindres carrés récursifs (RLS) ----------------------------------------- 62
3.5 Comparaison des principales structures d’égaliseurs ----------------------------------------- 65
3.5.1 Canal linéaire à phase non minimale ------------------------------------------------------- 65
3.5.2 Canal non linéaire ----------------------------------------------------------------------------- 65
3.5.3 Comparaisons des égaliseurs LE-LMS et DFE-LMS ------------------------------------ 66
3.5.4 Comparaisons des égaliseurs LE-LMS et LE-RLS --------------------------------------- 68
3.6 Conclusion --------------------------------------------------------------------------------------------- 69

Chapitre 4
ÉGALISATION Á BASE DES RÉSEAUX DE NEURONES ARTIFICIELS

4.1 Introduction ------------------------------------------------------------------------------------ 70

4.1.1 Le neurone biologique ----------------------------------------------------------------------- 70
4.1.2 Le neurone formel ---------------------------------------------------------------------------- 71
4.2 Égalisation par les réseaux de neurones -------------------------------------------------------- 73
4.2.1 Egaliseur DFE a base de réseaux de neurones--------------------------------------------- 74
4.2.2 Apprentissage des réseaux de neurones ---------------------------------------------------- 75
4.3 Différents types des réseaux de neurones -------------------------------------------------------- 76
4.3.1 Le réseau de fonction à base radiale (RBF) ---------------------------------------------- 76
4.3.2 Le perceptron multicouche (MLP) --------------------------------------------------------- 79
[Link] Apprentissage du MLP par la Rétro-Propagation ------------------------------ 81
4.4 Égalisation par les réseaux MLP et RBF ------------------------------------------------------- 84
4.4.1 Modèle de canal -------------------------------------------------------------------------------- 84
4.4.2 Performances des égaliseurs MLP, DFE-MLP, RBF, DFE-RBF ----------------------- 85
4.5 Amélioration des performances de la rétro-propagation (RP) ------------------------------ 87
4.5.1 Méthode proposée pour l’apprentissage du perceptron multicouche ------------------ 87
4.5.2 Performance de la méthode proposée ------------------------------------------------------ 88
4.6 Conclusion --------------------------------------------------------------------------------------------- 92

Chapitre 5
ALGORITHMES MÉTA-HEURISTIQUE POUR L’ÉGALISATION : HYBRIDATION
ET MÉTHODE PROPOSÉE

5.1 Introduction ------------------------------------------------------------------------------------ 93

5.2 Hybridation -------------------------------------------------------------------------------------------- 94
5.2.1 Hybridation méta-heuristiques/méta-heuristiques ---------------------------------------- 95

VIII
 Table des matières

[Link] La classification hiérarchique ------------------------------------------------------- 95

[Link] La classification à plat --------------------------------------------------------------- 97
5.2.2 Hybridation méta-heuristiques/méthode exactes ------------------------------------------ 98
5.3 Méthode proposée------------------------------------------------------------------------------------- 99
5.4 Application à l’égalisation--------------------------------------------------------------------------- 101
5.4.1 Modèle de système ---------------------------------------------------------------------------- 101
5.4.2 Validation et comparaison avec d’autres méthodes -------------------------------------- 103
5.5 Conclusion ---------------------------------------------------------------------------------------------- 107
CONCLUSION GENERALE ------------------------------------------------------------------------------- 108
BIBLIOGRAPHIE --------------------------------------------------------------------------------------------- 110

IX
 Liste des figures

LISTE DES FIGURES

Chapitre 1
Fig.1.1 Schéma d’un système de transmission numérique ------------------------------------------ 4
Fig.1.2 Modèle d’un canal à bruit additif -------------------------------------------------------------- 10
Fig.1.3 Représentation temporelle d’un bruit gaussien ---------------------------------------------- 11
Fig.1.4 Modèle d’un canal à filtre linéaire avec bruit additif --------------------------------------- 12
Fig.1.5 Modèle d’un canal discret linéaire ------------------------------------------------------------ 12
Fig.1.6 Modèle d’un canal de filtrage linéaire variant dans le temps ------------------------------ 13
Fig.1.7 Représentation d’un système non linéaire par série de Volterra -------------------------- 14
Fig.1.8 Modèle simplifié du canal non linéaire ------------------------------------------------------- 15
Fig.1.9 Capacité en fonction du SNR ------------------------------------------------------------------ 16
Fig.1.10 Comparaison de l’atténuation du signal pour différents supports de communication - 18
Fig.1.11 La réponse impulsionnelle temporelle du canal --------------------------------------------- 21
Fig.1.12 Etalement d’un signal numérique après transmission -------------------------------------- 22
Fig.1.13 Classification des canaux de communication ------------------------------------------------ 23
Fig.1.14 Diagramme de l’œil ----------------------------------------------------------------------------- 24
Fig.1.15 Diagramme de l’œil pour une transmission binaire ----------------------------------------- 24
Fig.1.16 Caractéristique du diagramme de l’œil ------------------------------------------------------ 24
Fig.1.17 Modèle d’un système de transmission -------------------------------------------------------- 25
Fig.1.18 Démonstration du critère spectral de Nyquist ----------------------------------------------- 27
Fig.1.19 Bande passante inférieur à 1/2Ts--------------------------------------------------------------- 28
Fig.1.20 Structure d’un filtre à réponse impulsionnelle finie (RIF) --------------------------------- 29
Fig.1.21 Structure d’un filtre à réponse impulsionnelle infinie (RII) ------------------------------- 30
Fig.1.22 Schéma d’un système de filtrage adaptatif --------------------------------------------------- 31

Chapitre 2

Fig.2.1 Optimum local et optimum global ------------------------------------------------------------- 34

Fig.2.2 Les trois phases d’une méta-heuristique ------------------------------------------------------ 41
Fig.2.3 Classification des algorithmes méta-heuristiques ------------------------------------------- 42
Fig.2.4 Exemple d’une solution unique ---------------------------------------------------------------- 43
Fig.2.5 Exemple d’une solution multiple -------------------------------------------------------------- 44

X
 Liste des figures

Fig.2.6 Règle du saut de grenouille (frog leaping) --------------------------------------------------- 47

Fig.2.7 Mise à jour de position --------------------------------------------------------------------------- 49

Chapitre 3

Fig.3.1 Compensation de la distorsion par un filtre adaptatif --------------------------------------- 51

Fig.3.2 Chaîne de transmission en présence d’égalisation ------------------------------------------ 52
Fig.3.3 Egaliseur linéaire (LE) -------------------------------------------------------------------------- 55
Fig.3.4 Structure de l’égaliseur linéaire (LE) --------------------------------------------------------- 56
Fig.3.5 Egaliseur à retour de décision (DFE) --------------------------------------------------------- 57
Fig.3.6 Structure de l’égaliseur à retour de décision (DFE)----------------------------------------- 58
Fig.3.7 Egaliseur adaptatif avec période d’apprentissage ------------------------------------------- 59
Fig.3.8 Egaliseur adaptatif piloté par les décisions --------------------------------------------------- 59
Fig.3.9 Caractéristique du canal H(z) ------------------------------------------------------------------ 65
Fig.3.10 Canal non linéaire -------------------------------------------------------------------------------- 66
Fig.3.11 Courbe de convergence de l’EQM des égaliseurs LE-LMS et DFE-LMS -------------- 66
Fig.3.12 Courbes BER des égaliseurs LE-LMS et DFE-LMS --------------------------------------- 67
Fig.3.13 Diagramme de l’œil du signal BPSK --------------------------------------------------------- 67
Fig.3.14 Diagramme de l’œil du signal en sortie de l’égaliseur LE-LMS et DFE-LMS --------- 68
Fig.3.15 Courbe de convergence de l’EQM des égaliseurs LE-LMS et LE-RLS ----------------- 68
Fig.3.16 Courbes BER des égaliseurs LE-LMS et LE-RLS ------------------------------------------ 69
Fig.3.17 Diagramme de l’œil du signal en sortie de l’égaliseur LE-LMS et LE-RLS ------------ 69

Chapitre 4

Fig.4.1 Le neurone biologique et ses principaux composants -------------------------------------- 70

Fig.4.2 Modèle du neurone formel --------------------------------------------------------------------- 72
Fig.4.3 Egaliseur à base de réseaux de neurones ----------------------------------------------------- 73
Fig.4.4 Egaliseur DFE à base de réseaux de neurones ----------------------------------------------- 74
Fig.4.5 Apprentissage supervisé et non supervisé ---------------------------------------------------- 75
Fig.4.6 Réseau RBF --------------------------------------------------------------------------------------- 76
Fig.4.7 Fonction à base radiale (RBF) ----------------------------------------------------------------- 77
Fig.4.8 Perceptron multicouche avec deux couches cachées --------------------------------------- 79
Fig.4.9 Fonctions d’activation --------------------------------------------------------------------------- 80
Fig.4.10 Descente de gradient dans un problème unidimensionnel -------------------------------- 82
Fig.4.11 La fonction tangente hyperbolique avec différentes valeurs de a ----------------------- 83
Fig.4.12 Caractéristique du canal H2(z) ---------------------------------------------------------------- 84
Fig.4.13 Courbe de l’EQM et BER de l’égaliseur MLP et DFE-MLP (canal H1(z)) ------------- 85
Fig.4.14 Courbe de l’EQM et BER de l’égaliseur RBF et DFE-RBF (canal H1(z)) -------------- 85
Fig.4.15 Courbe de l’EQM et BER de l’égaliseur MLP et DFE-MLP (canal H2(z)) ------------- 86

XI
 Liste des figures

Fig.4.16 Courbe de l’EQM et BER de l’égaliseur RBF et DFE-RBF (canal H2(z)) -------------- 86
Fig.4.17 Structure de l’égaliseur MLP avec deux types d’apprentissage --------------------------- 87
Fig.4.18 Apprentissage de trois couches DFE-MLP par la stratégie conventionnelle (BP) ----- 88
Fig.4.19 Apprentissage de trois couches DFE-MLP par la nouvelle stratégie (NHBP) ---------- 89
Fig.4.20 Courbes de l’erreur quadratique moyenne et BER du canal H1(z)------------------------ 91
Fig.4.21 Courbes de l’erreur quadratique moyenne et BER du canal H2(z)------------------------ 92

Chapitre 5

Fig.5.1 Classification des méthodes de résolution de problèmes d’optimisation ---------------- 93

Fig.5.2 Taxinomie de l’hybridation des méta-heuristiques ------------------------------------------- 95
Fig.5.3 Le niveau d’hybridation -------------------------------------------------------------------------- 95
Fig.5.4 Hybridation HCH hétérogène-------------------------------------------------------------------- 97
Fig.5.5 Mise à jour de la position ------------------------------------------------------------------------ 100
Fig.5.6 Système de communication avec un égaliseur à base de réseau de neurones ------------ 102
Fig.5.7 Fonction tangente hyperbolique ----------------------------------------------------------------- 103
Fig.5.8 Courbes de l’EQM et BER des canaux H1(z), H2(z), H3(z) --------------------------------- 106

XII
 Liste des tableaux

LISTE DES TABLEAUX

Tab.4.1 Analogie entre le neurone biologique et le neurone formel ------------------------------- 72

Tab.5.1 Comparaison des résultats de PSO, DSO, MSFLA et de l’algorithme proposée avec
SNR = 15dB -------------------------------------------------------------------------------------------------- 105
Tab.5.2 Paramètres de simulation ----------------------------------------------------------------------- 105
Tab.5.3 Résultats numériques du BER obtenu sur la figure 5.8(b) --------------------------------- 107
Tab.5.4 Résultats numériques du BER obtenu sur la figure 5.8(d) --------------------------------- 107
Tab.5.5 Résultats numériques du BER obtenu sur la figure 5.8(f) --------------------------------- 107

XIII
 Liste des abréviations

LISTE DES ABRÉVIATIONS

ABC Artificial bee colony

ACO Ant Colony Optimization
ACROA Artificial Chemical Reaction Optimization Algorithm
ANN Artificial Neural Network
AWGN Additive White Gaussian Noise
BBAG Bruit Blanc Additif Gaussien
BBO Biogeography-Based Optimizer
BER Bit Error Rate
BP Back Propagation
BPSK Binary Phase Shift Keying
CFO Central Force Optimization
CS Cuckoo Search
CSS Charged System Search
DFE Decision-Feedback Equalizer
DSO Directed Search Optimization
DSP Densité Spectrale de Puissance
EQMM Erreur Quadratique Moyenne Minimale
ES Evolution Strategy
GA Genetic Algorithms
GbSA Galaxy-based Search Algorithm
GLS Guided Local Search
GLSA Gravitational Local Search Agorithm
GP Genetic Programming
GSA Gravitational Search Algorithm
GSO Group Search Optimizer

XIV
 Liste des abréviations

HCH High-level Co-evolutionary Hybrid

HRH High-level Relay Hybrid
HS Harmony Search
IES Interférence Entre Symboles
ILS Iterated Local Search
I-Q In phase–Quadrature phase
ISI Inter–Symbol Interference
LE Linear Equalizer
LCH Low-level Co-evolutionary Hybrid
LMS Least Mean Square
LRH Low-level Relay Hybrid
MLP Multi-Layer Perceptron
MLSE Maximum Likelihood Sequence Estimation
MMSQ Minimum Mean Square Error
PBIL Probability-Based Incremental Learning
PDF Probability Density Function
PSK Phase Shift Keying
PSO Particle Swarm Optimization
QPSK Quadrature Phase Shift Keying
RBF Radial Basis Fonction
RII Réponse Impulsionnelle Infinie
RIF Réponse Impulsionnelle Finie
RLS Recursive Least Square
RNN Recurrent Neural Network
SA Simulated Annealing
SFLA Shuffled Frog-Leaping algorithm
SNR Signal–to–Noise Ratio
TEB Taux d'erreur binaire
TLBO Teaching Learning Based Optimization
VNS Variable Neighbourhood Search
ZF Zero-Forcing.

XV
 Introduction générale

INTRODUCTION GÉNÉRALE

De nos jours, les systèmes de télécommunications font partie des technologies qui ont
révolutionné notre mode de vie. Du télégraphe à l’Internet, de la transmission sans fil au
téléphone cellulaire, les progrès établis sont spectaculaires. Afin de développer de tels
systèmes, une parfaite connaissance des propriétés du canal de communication est nécessaire.
Les performances d’un système de transmission sont en effet directement liées aux conditions
de propagation entre l’émetteur et le récepteur. Ceux-ci doivent donc être dimensionnés pour
tirer le meilleur parti des caractéristiques du canal et atténuer ses effets négatifs. Les systèmes
de communications numériques nécessitent généralement la transmission de quantités
importantes d’information dans des bandes de fréquence les plus étroites possible [1].
Cependant l'augmentation des besoins en débit se heurte à la nature des canaux eux-mêmes.
En effet, dans des applications telles que la télédiffusion à grande échelle ou un réseau
informatique radio à l'intérieur d'un bâtiment, le canal est de type multi-trajet. Le signal est
réfléchi en plusieurs endroits, et des échos apparaissent et créent des perturbations telles que
l’interférence entre symboles créée par la sélectivité en fréquence dont l'influence augmente
avec le débit de transmission [2]. Pour lutter contre la sélectivité en fréquence des canaux de
transmission plusieurs techniques sont possibles parmi lesquelles on peut citer : les
transmissions multi-porteuses, les techniques d'étalement de spectre et l'égalisation [1]. Cette
thèse est consacrée à l'égalisation.
La technique d’égalisation apparait comme une technique de traitement de l’interférence entre
symboles efficace lorsque les canaux de transmission sont sélectifs en fréquence et invariants
ou variants dans le temps. Les égaliseurs les plus utilisés en pratique sont les égaliseurs
adaptatifs. Les égaliseurs adaptatifs jouent un rôle important dans les systèmes de
communication numériques, sa fonction principale est de restituer le signal transmis après
avoir été déformé par l'effet du canal et le bruit. Les égaliseurs adaptatifs les plus simples sont
construits à partir de filtres linéaires transverses dont les coefficients sont généralement
optimisés à partir d'un algorithme des moindres carrés moyens (LMS: Least Mean Square) ou
des moindres carrés récursifs (RLS: Recursive Least Square). L’égalisation linéaire à
coefficients fixes remonte aux travaux pionniers de Nyquist [3], pendant les années 1928.
Cependant, le concept d’égalisation automatique n’a été formalisé qu’en 1965, par Lucky [4],
tandis que les analyses de performance et convergence des égaliseurs adaptatifs basés sur la
minimisation de l’erreur quadratique ont été faites entre 1969 et 1984, par des chercheurs
renommés du domaine comme Proakis [5] et Macchi [6]. Pendant cette période, plusieurs
types de structure linéaires d’égalisation adaptative ont été développés, notamment les
égaliseurs par filtrage de Kalman, par filtrage en treillis (latice filters) et les égaliseurs
fractionnés. D’autre part, dans une voie parallèle de recherche, des structures d’égalisation

1
 Introduction générale

adaptatives non linéaire ont été aussi développées, comme l’égaliseur à retour de décision
(DFE: Decision-Feedback Equalizers) [7], en 1967.
Dans les années 1970, grâce à l’apparition d’une grande modalité de système de
communication numérique, y compris certains qui ne transmettaient pas des séquences
d’apprentissage (une séquence préliminaire de données, connue du récepteur), une nouvelle
branche de l’égalisation à été créée, à savoir, l’égalisation aveugle (ou autodidacte).
Aujourd’hui, l’égalisation non supervisée comme l’égalisation aveugle ou supervisée ont des
rôles centraux dans les systèmes de communication numériques.
Pour améliorer les performances de l'égaliseur dans certains canaux non linéaires, les réseaux
de neurones artificiels (ANN : Artificial Neural Network) [8] ont été largement utilisés dans
le domaine de l'égalisation des canaux [9-14]. Les réseaux de neurones constituent un
ensemble des techniques de traitement du signal qui s’inspirent du système nerveux humain.
Ces techniques trouvent une place dans le domaine des télécommunications, en particulier
dans les systèmes comportant des non-linéarités. Deux architectures d’égaliseurs à base des
réseaux de neurones sont mises en œuvre pour l’égalisation du canal de communication,
l’égaliseur direct, qui est la version neuronale de l’égaliseur linéaire et l’égaliseur à retour de
décision (DFE : Decision-Feedback Equalizers).
L’optimisation d'un réseau de neurone implique l’utilisation d’un algorithme adaptatif pour
optimiser les poids des réseaux neuronaux. Bien que plusieurs algorithmes se trouvent dans la
littérature pour optimiser les poids des réseaux de neurones. Certains utilisent les techniques
basées sur le gradient comme l'algorithme de rétro-propagation du gradient (BP : pour Back
Propagation) [15]. Cependant, ces algorithmes, sont sensibles au problème de minimum local.
Afin de résoudre ce problème, de nombreux algorithmes de recherche stochastiques connus
sous le nom d'algorithmes méta-heuristiques ont été proposés. Par conséquent, un algorithme
d'apprentissage est souvent modifié, voire hybridé avec un autre afin d’améliorer leurs
performances. Actuellement, les méta-heuristiques hybrides sont devenues plus populaires car
les meilleurs résultats trouvés pour plusieurs problèmes d’optimisation ont étés obtenus avec
des algorithmes hybrides. Dans ce contexte, Nous allons focaliser nos recherches sur les
algorithmes d’apprentissage destinés à résoudre des problèmes d’égalisation des canaux.
Cette thèse est organisée en 5 chapitres (figure 1), suivis d’une conclusion générale et des
perspectives. Elle est présentée comme suit :
- Le premier chapitre représente un récapitulatif des outils des communications numériques,
les nécessaires, pour avancer dans cette thèse, parmi lesquels on cite quelques modèles des
canaux de transmission et les perturbations qui les accompagnent, telles que le bruit et
l’interférence entre symboles, et les outils de mesure de la qualité de transmission. A la fin de
ce chapitre, on donne un aperçu sur les filtres numériques.
- Le deuxième chapitre dresse un état de l’art sur les algorithmes d’optimisation utilisés dans
le filtrage adaptatif en accordant une importance particulière aux algorithmes utilisés dans nos
travaux de recherche. Il aborde aussi les définitions générales des méthodes d’optimisation
qui se divisent en deux volets déterministes et non déterministes.
- Le troisième chapitre explique la notion d’égalisation, et présente une étude des égaliseurs
conventionnels, l’égaliseur linéaire LE (Linear Equalizer) et l’égaliseur à retour de décision

2
 Introduction générale

DFE (Decision Feedback Equalizer), et les différents critères d’optimisation. Ce chapitre

présente aussi une comparaison entre les deux égaliseurs LE et DFE en termes de
performances, et montre leurs limitations face aux non linéarités du canal. Les coefficients de
ces deux égaliseurs sont actualisés à partir de l’algorithme des moindres carrés moyens
(LMS), et l’algorithme des moindres carrés récursifs (RLS).
- Le quatrième chapitre se concentre sur l’utilisation des réseaux de neurones pour la
fonction d’égalisation, c'est-à-dire un traitement non linéaire. Il présente une étude des
réseaux de neurones, leurs types, le perceptron multicouche (MLP : Multi Layer Perceptron)
et le réseau de fonction à base radiale (RBF : Radial Basis Functions). Les simulations
examinent l'efficacité de ces égaliseurs à réduire l’effet du bruit et du canal utilisé, sur un
signal BPSK (Binary Phase Shift Keying). Les performances des égaliseurs présentés sont
aussi comparées et évaluées avec une méthode proposée et avec différents outils de mesure de
performance tels que les courbes de convergence de l’erreur quadratique moyenne (EQM ou
MSE : Mean Square Error), et les courbes des taux d’erreurs binaires (TEB ou BER: Bit Error
Rate).
- Le cinquième chapitre se concentre sur l’utilisation des algorithmes de recherche
stochastiques connus sous le nom d'algorithmes méta-heuristiques dans l’égalisation des
canaux. Nous présentons d’abord d’une manière détaillée l’hybridation des algorithmes méta-
heuristiques. Ensuite, nous présentons notre méthode d’optimisation qui est basée sur deux
algorithmes méta-heuristiques. Enfin, nous présentons les résultats de simulation de la
méthode proposés sur le problème de l’égalisation des canaux non linéaires tout en effectuant
une étude comparative.

Chapitre 5
ALGORITHMES MÉTA-HEURISTIQUE POUR L’É GALISATION :
HYBRIDATION ET MÉTHODE PROPSÉE

Chapitre 3
TÉCHNIQUE D’ÉGALISATION Chapitre 4
ÉGALISATION Á BASE DES RÉSEAUX
DE NEURONES ARTIFICIEL
Chapitre 2
ALGORITHMES D’OPTIMISATIONS :
ÉTAT DE L’ART

Chapitre 1
INTRODUCTION AUX COMMUNICATION NUMÉRIQUE

Figure 1 : Schéma d’organisation de la thèse.

3
 CHAPITRE 1
INTRODUCTION AUX COMMUNICATIONS NUMERIQUES

1.1 INTRODUCTION

Les systèmes de communication numériques deviennent de plus en plus attrayants en

raison de la demande sans cesse croissante pour la communication de données et du fait
que la transmission numérique offre des options de traitement de données et des marges
de flexibilité non disponibles avec la transmission analogique [16]. Les signaux
numériques présentent en effet plusieurs propriétés intéressantes pour les
télécommunications : souplesse de traitement, signal à états discrets donc moins
sensibles aux bruits et simple à régénérer, utilisation de codes correcteurs d'erreur,
cryptage de l'information …etc [17]. L’objective de cette partie est de présenter les
principales notions relatives aux systèmes de communication numérique, qui vont servir
à la bonne compréhension de cette thèse. Dans un premier temps, nous allons voir la
chaine de communication point-à-point et la plupart de ses modules. Ensuite, nous
présenterons la description du canal de transmission dans le cas général, nous allons
étudier les différents types de canaux de transmission et des méthodes de transmission
adaptées à chacun des types. Les phénomènes perturbateurs qui nuisent aux signaux
utiles seront aussi présentés.

1.2 DESCRIPTION D’UN SYSTEME DE COMMUNICATION NUMERIQUE

1.2.1 Chaine de transmission numérique

Les systèmes de transmission numérique véhiculent de l’information sous formes
numériques entre une source et un ou plusieurs destinataire en utilisant un support
physique comme le câble, la fibre optique ou encore la propagation sur un canal
radioélectrique [18]. Les signaux transportés peuvent être soit directement d’origine
numérique comme dans les réseaux de données, soit d’origine analogique (parole,
image…) mais convertis sous une forme numérique. La tâche du système de
transmission est d’acheminer le signal de la source vers le destinataire avec le plus de
fiabilité possible. Le schéma synoptique d'un système de transmission numérique est
donné à la figure 1.1, où l'on se limite aux fonctions de base [19] :

Source Codeur Modulateur

EMETTEUR
CANAL
RECEPTEUR

Démodulateur Décodeur Destinataire

Figure 1.1 : Schéma d'un système de transmission numérique.

Chapitre1 Introduction aux communications numérique

• La source peut être soit de forme analogique ou numérique. Pour réaliser une
transmission numérique, le message à transmettre doit être sous forme
numérique. Si le message produit par la source est de type analogique tel que le
signal de parole (sortie d’un microphone) ou le signal d’image (sortie d’une
caméra), il faut converti en une séquence d’élément binaire (numériser), à
travers un étage de conversion analogique numérique (Echantillonnage et
Quantification). Chaque échantillon quantifié est ensuite codé sur m élément
binaire (appelés traditionnellement, mais improprement, bits) [20].
La taille du message binaire original ainsi produit est en général très importante
et contient de la redondance. Dans le cas idéal, et pour augmenter l’efficacité de
la transmission et optimiser l’utilisation des ressources du système, cette
séquence doit être la plus courte possible, ce qui constitue la tâche du codeur
source.

• Le codeur peut éventuellement supprimer des éléments binaires non significatifs

(compression de données ou codage de source), ou au contraire introduire de la
redondance dans l'information en vue de la protéger contre le bruit et les
perturbations présentes sur le canal de transmission (codage de canal).
Le codage source représente donc la source avec un minimum de bits sans en
diminuer la quantité d’information, c’est-à-dire de délivrer une source aussi
proche que possible d’une source idéale. Dans le cas idéal, cette séquence doit
être la plus courte possible. Pour augmenter l’efficacité de la transmission et
optimiser l’utilisation des ressources du système, un codeur de source compresse
donc les données en éliminant les éléments binaires non significatifs. Cette
séquence binaire en sortie du codeur de source est appelée séquence
d’information. Le codage source peut aussi comporter une étape de cryptage
dans le cas où l’on souhaite sécuriser le transfert des données.
Lors du passage dans le canal physique de transmission, le signal est altéré par
du bruit et des interférences, induisant parfois le récepteur en erreur. Afin
d’augmenter la fiabilité de la transmission, un codeur du canal introduit, de
manière parfaitement contrôlée, de la redondance dans la séquence
d’information afin de la protéger contre les différentes perturbations. Ce codage
est encore appelé codage détecteur et correcteur d’erreurs puisque le récepteur
connaît la loi de codage utilisée, et donc capable de détecter puis éventuellement
corriger les données binaires erronées. Cependant, cette amélioration de la
qualité du message se fait au détriment du débit global de transmission et si l’on
se réfère de plus aux travaux conduits par Shannon sur la théorie de
l’information, le codage du canal n’est possible que si le débit de la source
binaire est inférieur à la capacité du canal de transmission. Le codage canal est
réalisé uniquement en bande de base. Une fois le codage est réalisé le signal
numérique est transformé en un signal physique capable de transiter sur le canal
de transmission, ce qui constitue la tâche du modulateur [21].

5
Chapitre1 Introduction aux communications numérique

• Le modulateur a pour rôle d'adapter le spectre du signal au canal (milieu

physique) sur lequel il sera émis. Le milieu de transmission physique autorise
uniquement la transmission de signaux analogique, il est nécessaire de convertir
l’information numérique en un signal analogique avant sa transmission à travers
le milieu de transmission. Le modulateur numérique est donc l’interface qui
associe l’information numérique à des signaux analogiques adaptés aux
caractéristiques du canal. Dans la plupart des systèmes de télécommunication, la
bande de fréquence allouée est faible au regard du débit souhaité. Afin
d’augmenter le débit sans pour autant augmenter la bande passante, des
modulations à plusieurs états ou modulations M-Aire ont été développées [22].
Le principe de cette modulation est d’associer à chaque groupe de M symboles
binaires de durée Tb un symbole complexe de durée Ts. Généralement, il prend
des blocs de k=log2(M) bits de la séquence à transmettre et les associe à l’une
des M=2k formes d’ondes (appelés symboles) pour la transmission à travers le
canal. M représente le nombre d’états de la modulation. Par exemple, la
modulation BPSK qui associe k=1 bit à M=2 symboles possibles (suivant la
valeur du bit) est dite modulation à deux états de phase (ou Biphase). En
pratique, il est possible de créer une modulation numérique M-aire en créant des
signaux à M états, c’est-à-dire en donnant plus de 2 états possibles au signal
modulant. De nombreuses modulations M-aires sont basées sur un modulateur
I/Q (Inphase / Quadrature). Celui-ci consiste à séparer le flux binaire en entée en
2 flux parallèle et de les multiplier par deux porteuse de même fréquence mais
en quadrature. En les recombinants, on obtient un signal modulé en phase. De
manière générale, un signal modulé en phase M-aire peut s’exprimer de la
manière suivante :
2π i
si ( t ) = Ap cos ( 2π f c t + ϕi ) , ϕi = , i ∈ [ 0; M − 1] (1.1)
M
si(t) : le signal modulé à l’instant t, qui transmet un symbole i, Il existe M symboles
possible.
Ap : Amplitude constante du signal modulé en phase.
fc : Fréquence porteuse.
φi : L’angle de la modulation pour le symbole i.

Le signal modulé en 4-PSK ou QPSK (Quadrature Phase Shift Keying)

correspond donc aux 4 états de phase de la modulation et est codé par 2 bits.
On distingue donc le débit binaire (Db) qui est le débit de la séquence à
transmettre (nombre de bits par seconde) et le débit symbole (Ds) qui est le
nombre de blocs transmis. Le débit symbole est aussi appelé rapidité de
modulation et il s’exprime en bauds, c’est le nombre de symboles transmis par
unité de temps [20]:
1
Db = bit / s (1.2)
Tb
1 Db
Ds = = bauds (1.3)
kTb log 2 ( M )

6
Chapitre1 Introduction aux communications numérique

On appelle efficacité spectrale le rapport du nombre de bits transmis par seconde

avec la largeur de bande utilisée [23]. On pourrait montrer que l’efficacité
spectrale d’une modulation M-aire est égale à :
η M − aire = N , M = 2 N (1.4)

L’efficacité spectrale d’une modulation QPSK est donc égale le double de celle
d’une modulation BPSK. Ce qui se comprend intuitivement puisqu’on fait passer
N bits par symbole. Plus on augmente le nombre de symbole M, meilleure est
l’efficacité spectrale. Pour un canal à bande passante donnée, le débit binaire
augmentera avec M.

• Le canal est un élément important dans la chaine de transmission, il assure le

lien entre l’émetteur et le récepteur permettant le transfert de l’information.
Donc il constitue le support physique de l’information. Il peut être un support
guidé (câble coaxial, paire torsadée ou fibre optique) ou l’espace libre utilisant la
propagation d’une onde électromagnétique dans l’atmosphère. Une connaissance
fine des mécanismes mis en jeu est indispensable à la conception d’une chaîne
de communication et à l’estimation des performances optimales [18]. Le canal
dont les caractéristiques exactes peuvent être inconnues, introduit généralement
des distorsions linéaires ou non linéaires du signal utile et un délai de
propagation dus aux perturbations aléatoires en provenance de phénomènes
physiques indépendants du signal utile. Ces perturbations plus ou moins
importantes sont créés par les conditions de propagation (imperfection des
équipements, les propagations multi-trajets, présence de bruiteurs,
affaiblissements...). Ces dernières provoquent une dégradation du signal émis
qui se traduit par l’apparition d’erreurs de transmission. Ces erreurs peuvent être
très gênantes pour la restitution fidèle de l’information au destinataire. Ce canal
sera expliqué en détail et on peut résumer son effet sur le signal transmis.

• Enfin, du côté récepteur, pour retrouver l’information binaire initiale, les

fonctions de démodulation et de décodage sont les inverses respectifs des
fonctions de modulation et de codage situées du côté émetteur. L’information
binaire n’arrive pas toujours intacte au destinataire et les performances du
système de transmission dépendent de très nombreux facteurs, parmi lesquels on
peut citer les caractéristiques du canal, la puissance de l’émetteur, la forme
d’onde utilisée ou encore le type de codage. Le bruit est le terme générique qui
regroupe l’ensemble des perturbations subies par le signal lors de son passage
dans le canal de transmission. Afin de mesurer ces perturbations, on appelle
donc rapport signal sur bruit (RSB ou SNR pour : Signal Noise Ratio) le rapport
entre la puissance totale du signal émis et la puissance du bruit au niveau du
récepteur. La fréquence à laquelle les erreurs se produisent constitue une bonne
indication de la fiabilité de la communication, pour la quantifier, on définit le
taux d’erreur binaire (TEB ou BER pour : Bit Error Rate) comme le rapport
entre le nombre de bits erronés et le nombre total de bits émis [24].

7
Chapitre1 Introduction aux communications numérique

1.2.2 Critère de choix entre les techniques de transmissions

Les caractéristiques principales permettant de comparer entre les différentes techniques
de transmission sont les suivantes:
 Le taux d’erreur binaire (TEB), plus connue sous l’acronyme BER pour : Bit
Error Rate, permet d'évaluer la qualité d'un système de transmission. Elle est
fonction de la technique de transmission utilisée, mais aussi du canal sur lequel le
signal est transmis, il correspond au rapport entre le nombre de bits erronés et le
nombre total des bits émis. Ce critère est le plus adapté pour mesurer la
performance des algorithmes, puisque le but est de transmettre le maximum
d’information avec le minimum d’erreurs possibles. Le BER n’est jamais
strictement nulle, mais cela ne signifie pas pour autant que la qualité de
transmission est mauvaise, en effet il suffit qu’elle prenne une valeur
suffisamment faible pour satisfaire un certain critère de fidélité [25-27].
 Erreur quadratique moyenne (EQM), plus connue sous l’acronyme MSE pour :
Mean Square Error, est utilisée comme un paramètre de mesure de performance.
Le MSE détermine la moyenne du carré de l’erreur entre les symboles émis et les
symboles estimés. Il est pratique de chercher à minimiser l’erreur quadratique car
c’est une fonction quadratique facilement dérivable [21]. Evidemment, plus
l’erreur quadratique moyenne sera faible, plus l’estimation sera bonne.
 L'occupation spectrale du signal émis doit être connue pour utiliser efficacement
la bande passante du canal de transmission. Les différentes modulations se
caractérisent par des efficacités différentes, en termes d’occupation spectrale et de
puissance émise nécessaire pour obtenir une certaine probabilité d’erreur. On
cherche en général à minimiser la probabilité d’erreur pour des conditions de
transmission données [23].
 Le rapport signal sur bruit (RSB), plus connu sous l’acronyme SNR pour :
Signal to Noise Ratio. Le SNR est généralement adopté en transmission
numérique comme paramètre d’entrée du récepteur pour lequel on va évaluer la
qualité du message numérique restitué, il permet ainsi de qualifier la sensibilité
du récepteur aux perturbations subies par le signal lors du passage dans le canal.
Le SNR est déterminé par le rapport Eb/N0 avec N0 la densité spectrale de
puissance du bruit blanc en entrée du récepteur et Eb est l’énergie moyenne par
bit du signal modulé. En effet, plus le rapport signal à bruit est faible, plus le
signal est dégradé par le bruit et plus il sera difficile de supprimer l’influence du
bruit sur le signal. Il nécessaire de garantir un rapport signal à bruit important
pour s’assurer que le signal reçu reste une copie fidèle du signal transmis [21].
 La complexité du récepteur dont la fonction est de restituer le signal émis est le
dernier aspect important d'un système de transmission. Le développement des
transmissions numériques s’est appuyé sur les progrès rapides réalisés dans le
domaine des circuits intégrés de traitement des signaux. L’utilisation de solutions
intégrées devient indispensable au fur et à mesure que le niveau de complexité des
systèmes s’accroît et que le prix consenti par le consommateur diminue [28].

8
Chapitre1 Introduction aux communications numérique

1.3 CARACTÉRISATION ET MODÉLISATION D’UN CANAL DE

TRANSMISSION
Chaque système de communication a un modèle de canal approprié. Les modèles de
canaux sont utilisés pour introduire des phénomènes physiques (distorsion, bruit,
retard…) liés au médium de transmission. Suivant le phénomène physique considéré, le
modèle du canal varie. La modélisation du canal de communication peut être simple ou
très complexe selon la nature du milieu de propagation, qui peut se comporter comme
un simple filtre linéaire de réponse en fréquence C(f), mais aussi être non stationnaire
(la réponse C(f) est alors fonction du temps) ou présenter des non-linéarités ou encore
un effet Doppler [20, 21]. Voici quelque définition [22] :
 Canal discret : l’ensemble des symboles reçus après le passage dans le canal est
fini. L’information est donc numérique.
 Canal sans mémoire : le symbole reçu à un instant donné dépend uniquement du
symbole émis au même instant t (en considérant le retard de transmission nul).
 Canal avec mémoire : Si le canal a une mémoire, la sortie dépend aussi des
symboles présents en t’, t’<t.
 Canal stationnaire : ses caractéristiques sont fixes au cours du temps. Une fibre
optique est un canal stationnaire, ses caractéristiques étant quasi invariantes au
cours du temps, alors qu’une liaison radio correspond à un canal non stationnaire
puisque ses caractéristiques dépendent de nombreux facteurs tels que les objets
environnants, les conditions atmosphériques ou les perturbations
électromagnétiques.
 Canal sélectif : le signal à transmettre a des composantes fréquentielles qui sont
atténuées différemment par le canal de propagation. Il introduit donc une
distorsion dans le signal transmis.
Nous allons maintenant présenter quelques modèles de canaux de transmission prenant
en compte l’ajout de bruit par le canal. Dans les chapitres suivants, nous verrons
comment inclure les effets temporels induit par le canal.

1.3.1 Canal à bruit additif

Le modèle mathématique le plus simple pour un canal de communication est le canal à
bruit additif, illustré à la figure 1.2.
Dans ce modèle, le signal transmis s(t) est corrompu par un bruit additif aléatoire v(t).
Le bruit peut être caractérisé de plusieurs manières [22] :
 Par sa densité spectrale de puissance (DSP), c'est-à-dire la répartition énergétique
en fonction de la fréquence (puissance par hertz). La quantité totale de bruit sur
une bande de fréquence donnée (par exemple la puissance) est égale à l’intégrale
de la DSP sur cette bande de fréquence
 Par sa fonction de répartition ou densité de probabilité en amplitude (Fig. 1.3), et
aussi par différentes valeurs statistiques comme sa valeur moyenne et sa variance.

9
Chapitre1 Introduction aux communications numérique

Le bruit est une perturbation aléatoire dont les origines sont le milieu de transmission
(bruit externe), ou les dispositifs électroniques utilisés dans le récepteur (bruit interne).
Parmi les sources de bruit externes, on peut citer les rayonnements divers captés par
l’antenne (cas des transmissions en espace libre), les interférences éventuelles entre les
différents utilisateurs du milieu de transmission ou encore les bruits d’origine
industrielle (moteurs, lignes à haute tension, etc.). Le bruit interne a pour origine le
mouvement brownien des électrons dans les composants passifs (résistances) et les
composants actifs (semi-conducteur) qui constituent les dispositifs du récepteur
(amplificateurs, filtres, mélangeurs, etc…). Le bruit engendré par les composants passifs
est un bruit blanc (densité spectrale de puissance uniforme), au moins dans le domaine
de fréquence utilisé en radiocommunication, qui dépend de la température, d’où son
nom de bruit thermique. Les composants actif (semi-conducteurs) sont aussi générateurs
de bruit divers, dont le bruit dit de grenaille est sans doute le plus important. Le bruit de
grenaille est aussi blanc mais indépendant de la température, c’est donc un bruit non
thermique, fonction du courant qui traverse les composants. Compte tenu du fait qu’il
existe un grand nombre d’électrons dans la matière, évoluant indépendamment les uns
des autres et suivant une même loi, le bruit interne peut être modélisé par un processus
gaussien d’après le théorème de la limite centrale. Par conséquent, le modèle
mathématique résultant pour le canal est généralement appelé canal a bruit gaussien
additif. Parce que ce modèle de canal s’applique à une large classe de canaux de
communication physiques et en raison de sa facilité de traitement mathématique, il
s’agit du modèle de canal prédominant utilisé dans notre analyse et notre conception de
système de communication. L'atténuation du canal est facilement intégrée au modèle.
Lorsque le signal subit une atténuation lors de la transmission par le canal, le signal reçu
est donnée par la formule suivante [24] :

r (t ) = α s (t ) + v(t ) (1.5)

Où : α est le facteur d'atténuation.

r(t) : Signal à la sortie du canal
v(t) : Bruit additif gaussien.
Canal
v(t)
+
αs(t) + r(t)

Figure 1.2 : Modèle d’un canal à bruit additif.

Un bruit gaussien suit une distribution gaussienne, caractérisée par une moyenne μ et
une variance σ². La densité de probabilité est donnée par l’équation (1.6). La figure (1.3)
illustre la représentation temporelle d’un bruit gaussien et la distribution statistique qui
peut en être extrait, dont la densité de probabilité suit une distribution gaussienne. La
représentation temporelle ne permet pas d’extraire d’informations sur le signal en raison
de sa nature aléatoire (pas de période par exemple), mais la distribution permet
d’extraire des éléments statistiques sur la nature du bruit. [22]

10
Chapitre1 Introduction aux communications numérique

1  ( x − µ )2 
p ( x) = exp  −  (1.6)
σ 2π  2σ 2

 

Amplitude du Amplitude du
bruit (x) bruit (x)

Temps Densité de
probabilité p(x)
Figure 1.3 : Représentation temporelle d’un bruit gaussien et distribution statistique de son amplitude.

Connaître la puissance du bruit Pb n’a un intérêt que si on peut la comparer à celle du

signal de sortie Ps et en déduire son impact sur la dégradation du signal. C’est pourquoi
on utilise généralement un rapport de puissance appelé rapport signal sur bruit (Signal
Noise Ratio).
Le rapport signal sur bruit se rapporte toujours au niveau nominal du signal. Le plus
souvent, celui-ci est exprimé en décibel (dB).

P 
SNR ( dB ) = 10 × log  s  (1.7)
 Pb 
Celui-ci va donc permettre d’apprécier la qualité d’un signal et déterminer la sensibilité
d’un dispositif pour une densité spectrale du bruit donnée. En effet, plus le rapport
signal à bruit est faible, plus le signal est dégradé par le bruit et plus il sera difficile de
supprimer l’influence du bruit sur le signal.
1.3.2 Canal à filtre linéaire (modélisé par un filtre linéaire)
Le bruit n’est pas la seule source de perturbations, la fonction de transfert du canal
introduit une distorsion au signal lors de sa propagation. Les caractéristiques
temporelles du canal tendent à étaler le temps de transmission d’un symbole,
augmentant le risque de chevauchement de plusieurs symboles adjacents et limitant le
débit de transmission admissible sur ce canal.
Dans certains canaux physiques, tels que les canaux téléphoniques filaires, des filtres
sont utilisés pour garantir que les signaux transmis ne dépassent pas les limites de bande
passante spécifiées et n'interfèrent donc pas les uns avec les autres. Ces canaux sont
généralement caractérisés mathématiquement en tant que canaux de filtrage linéaires
avec bruit additif, comme illustré à la figure 1.4. Par conséquent, si l’entrée du canal est
le signal s(t), la sortie du canal est donnée par la formule suivante [24] :
r (t ) = s (t ) * h (t ) + v (t )
+∞
=  h (τ )s ( t − τ ) dτ + v ( t )
−∞
(1.8)

Où h(t) est la réponse impulsionnelle du filtre linéaire et * désigne la convolution.

11
Chapitre1 Introduction aux communications numérique

Canal

v(t)
+
s(t) Filtre linéaire + r(t)
h(t)

Figure 1.4 : Modèle d’un canal à filtre linéaire avec bruit additif

Le modèle discret utilisé pour décrire les effets de distorsion du canal est représenté par
la fonction de transfert dans le domaine Z [24], définie par l’équation suivante :
N −1
H ( z ) =  hi z − i = h0 + h1 z −1 + h2 z −2 + ..... + hN −1 z N −1 (1.9)
i=0

Ce modèle est illustré à la figure 1.5.

sk
Z-1 Z-1 Z-1

h0 h1 hN-2 hN-1

rk
∑
vk

Figure 1.5 : Modèle d’un canal discret linéaire.

1.3.3 Canal à filtre linéaire variant dans le temps

Le signal transmis à travers des canaux physiques tels que les canaux acoustiques sous-
marins où les canaux radio subit des trajets multiples de propagation variant dans le
temps. L’action de ces canaux sur le signal transmis peut être caractérisée
mathématiquement en tant que filtres linéaires variant dans le temps (Figure 1.6). Ces
filtres linéaires sont caractérisés par une réponse impulsionnelle variante dans le
temps h (τ ; t ) .Où h (τ ; t ) est la réponse du canal à l'instant t due à une impulsion
appliquée à l’instant (t − τ ) . Donc τ représente le temps écoulé (variable).
Le signal de sortie du canal à filtre linéaire variant dans le temps est donné par la
formule suivante [24] :
r ( t ) = s ( t ) * h (τ ; t ) + v ( t )
+∞
=  h (τ ; t )s ( t − τ ) dτ + v ( t )
−∞
(1.10)

Un bon modèle pour la propagation de signaux par trajets multiples via des canaux
physiques, tels que les canaux radio mobile cellulaire, est un cas particulier de
l’équation (1.10) dans lequel la réponse impulsionnelle variante dans le temps a la
forme suivante:
L
r ( t ) =  ak ( t )s ( t − τ k ) + v ( t ) (1.11)
k =1

12
Chapitre1 Introduction aux communications numérique

Par conséquent, le signal reçu est constitué de L trajets multiples, chaque trajet est
atténuée par {ak ( t )} et retardée de {τ k } . L’amplitude et la phase du signal reçu
apparaissent comme des variables aléatoires qui suivent une loi de Rayleigh. Un canal
de Rayleigh permet de prendre en compte ces effets : réflexions multiples,
évanouissements, fluctuations à grande et petite échelle et effet Doppler.

Canal

v(t)
+
s(t) Filtre linéaire + r(t)
variant dans le
temps h(τ;t)

Figure 1.6 : Modèle d’un canal de filtrage linéaire variant dans le temps avec bruit additif

1.3.4 Canal à filtre non linéaire

Les canaux non linéaires sont communément rencontrés dans la pratique, les distorsions
non linéaires peuvent survenir en raison des phénomènes de saturation des amplificateurs,
ou provenir des processus de modulation. L'effet non linéaire du canal introduit des
distorsions non linéaires d’amplitude et de phase. Un model introduit par Volterra
consiste à déterminer une expression analytique de la réponse d’un système non linéaire à
mémoire. La série de Volterra prend la forme d’une série de fonctions intégrales
comparables à la convolution des systèmes linéaire.
Soit un signal x(t) se présentant à l’entrée d’un système non linéaire, la sortie z(t) est
donnée par la série de Volterra du nième degré [30-32] :

+∞ +∞ +∞
z (t ) =  h (τ ) x ( t − τ ) dτ +   h (τ ,τ ) x ( t − τ ) x ( t − τ ) dτ dτ
−∞
1 1 1 1
−∞ −∞
2 1 2 1 2 1 2 +

−∞ +∞
(1.12)
.... +  ...  h (τ ,...,τ ) x ( t − τ ) x ( t − τ ) ....x ( t − τ ) dτ ...dτ
−∞ −∞
n 1 n 1 2 n 1 n

Où h1 (τ 1 ) , h2 (τ 1 ,τ 2 ) , hn (τ 1 ,...,τ n ) sont appelés les noyaux de Volterra, chaque noyau

représente un invariant du système indépendant du signal d’excitation.
La forme discrète de la série de Volterra est donnée par [30] :

∞ ∞ ∞
z ( n ) = h0 +  h1 ( m1 ) x ( n − m1 ) +   h (m , m ) x (n − m ) x (n − m ) +
2 1 2 1 2
m1 = 0 m2 = 0 m1 = 0
∞ ∞ ∞
(1.13)
.... +   ...  h ( m ,..., m ) x ( n − m ) x ( n − m ) ....x ( n − m )
p 1 p 1 2 p
m1 = 0 m2 = 0 m p =0

Où x(n) est le signal d’entée, z(n) est le signal de sortie, n la variable indépendante.
hp(m1,….mp) est le noyau de Volterra d’ordre p.

13
Chapitre1 Introduction aux communications numérique

Une autre forme d’exprimer l’expression (1.12) est la suivante [31, 32] :

z ( t ) = H1  x ( t )  + H 2  x ( t )  + ... + H n  x ( t )  (1.14)
+∞ +∞
Où H n  x ( t )  =  ......  hn (τ1 ,....,τ n )x ( t − τ1 ) ....x ( t − τ n ) dτ1....dτ n est appelé opérateur
−∞ −∞

de Volterra du nième ordre. Une représentation graphique de la série de Volterra peut

être donnée par le schéma synoptique de la figure 1.7.

H1 Linéaire

Quadratique
H2
x(t) z(t)
∑
Cubique
H3

Ordre n
Hn

Figure 1.7 : Représentation d’un système non linéaire par la série de Volterra
L’intérêt d’un tel formalisme réside dans la possibilité de l’appliquer à tout système non
linéaire. Cependant pour un système fortement non linéaire, le nombre de termes à
mettre en jeu est important, et la représentation mathématique, trop lourde (intégrales
multiples), font que ce formalisme devient impraticable pour des raisons de coût de
calcul et de complexité d’extraction des noyaux. Ces difficultés ont limité l’application
de la série de Volterra aux systèmes faiblement non linéaires de deux à trois noyaux.
Le développement en série tronqué de Volterra d’ordre trois de l’équation (1.14), pour
h0=0 est donné par :
N N N
z (n) =  h (m ) x (n − m ) +   h (m , m ) x (n − m ) x (n − m ) +
m1 = 0
1 1 1
m2 = 0 m1 = 0
2 1 2 1 2

N N N
(1.15)
   h (m , m , m ) x (n − m ) x (n − m ) x (n − m )
m1 = 0 m2 = 0 m3 = 0
3 1 2 3 1 2 3

Le premier modèle de Voltera simplifié d’ordre trois, pour les systèmes non linéaire
sans mémoire était proposé par Falconer [33] et une version plus simplifiée de ce
modèle est utilisée par Biglieri [34], comme c’est représenté à la figure 1.8. Où une
réduction significative dans le nombre de paramètre du modèle est obtenue. La sortie z
est reliée à l’entrée x à travers la relation suivante :
z ( n ) = D1 x ( n ) + D2 x 2 ( n ) + D3 x 3 ( n ) (1.16)

Les coefficients D1, D2, et D3 sont des scalaires qui contrôlent le degré de non linéarité.
Ce modèle et sa version d’ordre deux sont largement exploités dans la littérature pour
exprimer la distorsion non-linéaire introduite par les canaux de transmission.

14
Chapitre1 Introduction aux communications numérique

Le signal de sortie du canal à filtre non linéaire est donné par la formule suivante :

r ( k ) = zˆ ( k ) + v ( k ) (1.17)
D1
z (k )
Linéaire
v (k )
D2
x (k z 2 (k ) ẑ ( k ) +
) z (k ) r (k )
Canal linéaire Quadratique ∑
+
D3
z 3 (k )
Cubique

Figure 1.8 : Modèle simplifié du canal non linéaire

Les quatre modèles mathématiques décrits ci-dessus représentent la grande majorité des
canaux physiques rencontrés dans la pratique. Dans notre travail, nous nous sommes
focalisés sur le deuxième modèle et le quatrième modèle de canaux de transmission
pour l'analyse et la conception de systèmes de communication. Le deuxième modèle se
caractérise par l’action d’un filtre linéaire et l’ajout d’un bruit blanc gaussien. Le
quatrième modèle se caractérise par l’action d’un filtre non linéaire et l’ajout d’un bruit
blanc gaussien. A travers ces canaux, on récupère au niveau du récepteur plusieurs
versions du signal émis avec des amplitudes, des phases différentes et des retards plus
ou moins espacés. La présence de toutes ces perturbations ne permet pas de récupérer
correctement le message émis sans aucun traitement préalable du signal au niveau du
récepteur. D’où la nécessité d’introduire un bloc de traitement nommé égaliseur dans le
but de réduire l’effet introduit par le canal de transmission.

1.4 TAUX D’ERREUR ET CAPACITÉ D’UN CANAL DE TRANSMISSION

1.4.1 Capacité d’un canal de transmission

La bande passante (en anglais bandwidth) d’une voie de transmission est l’intervalle de
fréquence sur lequel le signal ne subit pas un affaiblissement supérieur à une certaine
valeur (généralement 3 dB, car 3 décibels correspondent à un affaiblissement du signal
de 50%). On définit la capacité du canal comme étant le nombre de symboles par unité
de temps transmissible par le médium (symbole/s). En supposant un filtrage optimal
(filtrage de Nyquist), la capacité d’un canal idéal (non bruité) de largeur B est C=B.
Dans le cas du canal à bruit additif blanc gaussien (BABG, ou AWGN : Additive White
Gaussian Noise), la capacité est d’après Shannon donnée comme suit [35] :

 P
C = Bs log 2  1 + s  (1.18)
 Pb 
Où Ps : La puissance du signal reçu,
Pb : La puissance du bruit dans la bande,
C : Capacité (en bits par secondes),
Bs : Largeur de bande (en Hertz).

15
Chapitre1 Introduction aux communications numérique

A partir de cette équation, deux approches permettant d’augmenter la capacité peuvent

être énoncées. La première consiste à utiliser une bande étroite avec un rapport signal
sur bruit Ps /Pb important, la seconde permet d’exploiter une bande large avec un rapport
Ps /Pb faible. La figure 1.9 représente parfaitement ce cas c’est-à-dire plus la largeur de
la bande de fréquence Bs augmente et plus la capacité augmente [29].

Figure 1.9 : Capacité en fonction du SNR

1.4.2 Taux d’erreur binaire (TEB)

Le rapport signal sur bruit Ps /Pb permet de quantifier le niveau de bruit par rapport au
signal. Ce rapport est mesurable et il permet d’évaluer les performances d’un système
dans un milieu bruité (AWGN). Toutefois, on préfère exprimer les performances d’un
système en termes d’énergie du bit transmis (Eb) par rapport au bruit (No). Ce rapport est
appelé rapport signal à bruit par bit noté Eb/No. Il s’agit du rapport entre l’énergie
véhiculée par un bit Eb et la densité spectrale en puissance du bruit No. Cette grandeur
est directement reliée au taux d’erreur binaire, et fixer une contrainte en termes de taux
d’erreur binaire revient à fixer une contrainte sur le rapport Eb/No.
Décortiquons maintenant les deux termes de ce rapport. Eb représente l’énergie
transportée par un bit. L’énergie par unité de temps s’appelle la puissance. Dans le cas
d’un signal binaire, l’énergie par bit (en J/bit) est donc reliée à la puissance moyenne du
signal Ps (en W) par le débit binaire Db (en bit/s) comme le montre l’équation (1.19). On
remarque que l’énergie par bit est inversement proportionnelle du débit binaire.
Ps
Eb  (1.19)
Db
N0 représente la densité spectrale de bruit, c'est-à-dire la puissance Pb transportée par le
bruit sur une bande de fréquence de largeur Bs. Son unité est W/Hz, ce qui est
équivalent à une énergie.
Pb
N0  (1.20)
Bs

16
Chapitre1 Introduction aux communications numérique

En combinant les 2 équations précédentes, on peut relier le rapport signal à bruit Ps /Pb
et le rapport Eb/No par l’équation suivante :
Ps Eb Db E P B
= . ⇔ b = s. s (1.21)
Pb N 0 Bs N 0 Pb Db
Le rapport Eb/No dépend non seulement des puissances du signal et du bruit, mais aussi
des propriétés du signal telles que le débit binaire, la modulation (la bande passante
nécessaire pour transporter un signal dépend du type de modulation employée). Le
rapport Eb/No prend donc en compte l’effet des autres paramètres influents sur la
robustesse d’une communication numérique. Ce rapport est donc un paramètre plus
intéressant pour comparer des systèmes de communication différents.
Afin de quantifier la dégradation subie par un signal numérique ou de spécifier la
qualité que doit atteindre une transmission numérique, on utilise la notion de taux
d’erreur binaire (TEB ou BER : Bit Error Rate). Il s’agit du taux d’erreur mesuré à la
réception d’une transmission numérique, et se calcule à l’aide de cette équation [22] :
nombre de bits erronés
TEB = (1.22)
nombre total de bits recus
Le taux d’erreur binaire (TEB) est similaire à la probabilité d’apparition d’erreur
binaire, donc le TEB est relié au rapport signal à bruit par bit par l’équation (1.23) pour
une modulation BPSK (Binary Phase Shift Key). Cette relation est particulièrement
importante pour le dimensionnement d’un canal de transmission car il permet de définir
une limite en termes de rapport signal à bruit à partir d’une contrainte donnée sur le taux
d’erreur binaire maximale. Cette formule reste cependant théorique mais donne une
bonne estimation du taux d’erreur binaire pour un rapport signal à bruit donné.
1  Eb 
TEB = erfc   (1.23)
2  N0 

1.5 PERTURBATIONS APPORTÉES PAR LES CANAUX DE TRANSMISSION

L’objectif d’un système de réception pour les transmissions numériques est de
reconstituer le signal émis qui a été perturbé par le canal de transmission. Donc il est
nécessaire de connaître la nature des perturbations qu’il a subies afin de dimensionner
les fonctions élémentaires de l’émetteur et du récepteur.
1.5.1 Affaiblissement
Par définition, l’affaiblissement ou l’atténuation représente la perte de signal en énergie
dissipée dans la ligne. L’affaiblissement se traduit par un signal de sortie plus faible que
le signal d’entrée et caractérisée par le rapport de la puissance à la sortie du système Ps
sur la puissance à son entrée Pe. On le calcule de la manière suivante [22] :
P 
A = 10 log  s  ( dB ) (1.24)
 Pe 
P 
A = 10 ln  s  ( Np ) (1.25)
 Pe 

17
Chapitre1 Introduction aux communications numérique

Suivant la base choisie pour le logarithme, le gain ou l’affaiblissement sont exprimés en

décibel (dB) ou en Néper (Np).
Le canal représente le milieu de transmission ou le lien physique entre l’émetteur et le
récepteur, il est pratiquement constitué par l’un des supports suivants [20] :
• Un câble bifilaire, dont la bande passante est faible et qui est en générale réservé
pour les transmissions à bas débit (inférieur à 2 Mbit/s sur le réseau téléphonique).
• Un câble coaxial, qui possède une bande passante plus importante que le câble
bifilaire et qui permet de réaliser des transmissions avec un débit relativement
élevé : plusieurs centaines de Mbit/s (jusqu’à 565 Mbit/s sur le réseau
téléphonique). Le câble coaxial est notamment utilisé pour connecter les centraux
téléphoniques entre lesquels transite un grand nombre de communications.
• Une fibre optique, qui apparaît aujourd’hui, grâce à sa bande passante très élevée
(plusieurs dizaines de Gbits/s) et sa faible atténuation (0.2 dB/Km pour une
longueur d’onde de 1550 nm), comme un support très intéressant. Les fibres
optiques sont de plus en plus utilisées pour les réseaux terrestres à grande
capacité, pour les câbles sous-marins, ainsi que pour les réseaux de distribution
(c’est-à-dire sur les liaisons entre centraux téléphoniques et abonnés).
• L’espace libre, qui utilise la propagation d’une onde électromagnétique dans
l’atmosphère. Ce milieu est généralement réservé aux transmissions par satellite
ou par faisceaux hertzien ainsi qu’aux radiocommunications avec les mobiles. Les
antennes constituent le dispositif de base pour transmettre ou recevoir un signal à
travers ce type de canal. Sa bande passante s’étend sur un spectre très large (de
plusieurs KHz à plusieurs GHz). Son avantage par rapport aux autres supports de
communications précédemment cités est lié principalement au faible coût
d’installation d’un réseau à grande échelle. Toutefois, il constitue le milieu le plus
soumis aux perturbations extérieures.

100

Liaison radio
Atténuation (dB)

Câble coaxial

10

Fibre optique

1
20 40 60 80 100
Distance (km)

Figure 1.10 : Comparaison de l’atténuation du signal pour différents supports de communication

18
Chapitre1 Introduction aux communications numérique

Les liaisons filaires, optiques et radio subissent des atténuations très différentes. La
figure 1.10 présente une comparaison des atténuations en fonction de la distance
séparant l’émetteur du récepteur pour ces 3 types de canaux de transmission. Le canal
radio est celui qui présente l’atténuation la plus importante (Atténuation pour une
fréquence égale à 900 MHz), alors que les fibres optiques constituent le support qui
introduit le moins d’atténuation (0.2 dB/km à 1550 nm) [22]. Le câble coaxial introduit
une atténuation égale à 1 dB/km à 900 MHz).
Considérons une propagation en espace libre. Lorsqu’une onde électromagnétique se
propage et s’éloigne de la source, la puissance qu’elle transporte par unité de surface
décroît avec la distance [22].
L’atténuation en fonction de la distance d et de la fréquence f est donnée par :
2 2
 d  f ×d 
Atténuation =  4π  =  4π  (1.26)
 λ  c 
Supposons qu’on est une liaison radiofréquence entre un émetteur E et un récepteur R.
La puissance rayonnée par l’antenne de l’émetteur dépend de la puissance électrique Pe
et du gain de l’antenne Ge. La puissance électrique reçue Pr dépend de la puissance
transportée par l’onde électromagnétique et le gain de l’antenne réceptrice Gr. Le
rapport entre la puissance électrique reçue et la puissance électrique émise est donnée
par la formule de Friis [22] :
Pr GeGr GeGr
= 2
= 2
(1.27)
Pe  d   f ×d 
 4π   4π
 λ  λ 
1.5.2 Trajets multiples et interférences entre symboles (IES)
[Link] Trajets multiples
Le canal de propagation radioélectrique est un des moyens de communication les plus
variables et les plus incontrôlables. Il est caractérisé par l’existence de trajets multiples.
Les trajets multiples sont également à l’origine de plusieurs problèmes dont les
principaux sont :
 L’obstruction : apparaît quand un trajet radio est obstrué par un ou plusieurs
objets (obstacles naturels ou construits par l’homme). L’onde résultante subit
une perte de puissance correspondante au mécanisme de propagation impliqué
(qui peut être la réflexion, la diffraction ou la diffusion). La réflexion, elle se
produit lorsqu’une onde électromagnétique rencontre des surfaces lisses de très
grandes dimensions par rapport à sa longueur d’onde, comme par exemple la
surface de la terre, les bâtiments et les murs. La diffraction, elle se produit
lorsqu’un obstacle épais et de grande dimension par rapport à sa longueur
d’onde obstrue l’onde électromagnétique entre l’émetteur et le récepteur. Dans
ce cas, des ondes secondaires sont générées et se propagent derrière l’obstacle.
La diffusion, elle se produit lorsque l’onde rencontre un obstacle dont
l’épaisseur est de l’ordre de sa longueur d’onde, comme par exemple les
lampadaires et les feux de circulation. Dans ce cas, l’énergie est dispersée dans
toutes les directions.

19
Chapitre1 Introduction aux communications numérique

 La dispersion des retards (Delay spread) : Les trajets réfléchis sont

généralement plus longs que le trajet direct c’est-à-dire qu’ils atteignent
l’émetteur plus tard que le trajet direct. Les signaux provenant de la même
émission arrivent donc au niveau de l’émetteur avec des retards différents.
 Evanouissements (ou fading) de Rayleigh : Après réflexion sur un obstacle,
l’onde radio peut être altérée en phase et en amplitude. Le phénomène
d’évanouissements ou de fading résulte des variations temporelles des phases.
Celles-ci peuvent résulter de signaux multiples s’ajoutant de façon destructive au
niveau du récepteur. Dans ce cas, le signal reçu résultant sera très faible ou
pratiquement nul. Les signaux multiples reçus peuvent également s’additionner
de façon constructive et le signal reçu résultant est alors plus puissant que le
signal du seul trajet direct.
 Décalage en fréquence (Doppler shift) : L’effet Doppler est un phénomène dû
au déplacement du récepteur par rapport à l’émetteur. Il entraîne une variation
dans la fréquence du signal reçu appelée décalage Doppler. Ce décalage en
fréquence dépend essentiellement de deux facteurs : la direction de déplacement
et la vitesse du récepteur par rapport à l’émetteur. Chaque trajet possède un
décalage Doppler fréquentiel de la forme [36] :

f d = f m cos θ (1.28)

v
Avec : f m = (1.29)
λ

Où θ est l’angle entre la direction du récepteur et la direction du trajet

considéré, v représente la vitesse du récepteur et λ la longueur d’onde de la
porteuse. Dans les environnements multi-trajets, chaque trajet du signal subit un
décalage Doppler différent caractérisé par l’angle θ . Par conséquent, le signal
reçu est formé de composantes possédant des décalages fréquentiels différents
compris entre f c − f m et f c + f m , dont la combinaison crée un élargissement du
spectre. Les deux valeurs + f m ou − f m sont obtenues lorsque l’onde se propage
dans la direction du récepteur ou dans la direction opposée, f c est la fréquence
porteuse. L’étalement Doppler est défini donc comme étant la largeur du spectre
de puissance Doppler, obtenu par transformée de Fourier de la fonction d’auto-
corrélation de la réponse impulsionnelle du canal. Les effets de l’étalement
Doppler sont négligeables tant que la largeur de bande du signal transmis en
bande de base est beaucoup plus grande que la largeur du spectre de puissance
Doppler.

[Link] Modèle du canal multi-trajet

En général, un canal multi-trajets aura L trajets différents et pour chacun d’eux la
réponse impulsionnelle complexe en bande de base est de la forme [16]:
α l ( t ) δ (τ − τ l ( t ) ) (1.30)

20
Chapitre1 Introduction aux communications numérique

Où α l ( t ) est l’amplitude associée au retard τ l , τ l = l ∆ t est le retard de propagation et

δ (.) est une impulsion de Dirac.
La réponse impulsionnelle du canal complexe sera modélisée comme la somme de
toutes les réponses des L trajets différents (Figure 1.11).
L −1
h (τ , t ) =  α l ( t ) δ (τ − τ l ( t ) ) (1.31)
l =0

Et a pour transformée de Fourier :

L −1
H ( f , t ) =  α l ( t )e
− j 2π f τ l ( t )
(1.32)
l =0

− j 2π f 0τ l ( t )
Avec: α l ( t ) = ρl e , f 0 : la fréquence porteuse, ρl : amplitude associée au trajet l.

 vm   vm 
τ l (t ) =   t , avec f 0 .   = f d : la fréquence Doppler.
 c   c 

γ l ( t ) = −2π f 0τ l ( t ) : est le déplacement de la phase introduit par le trajet l.

Amplitude, ρ

Retard, t
ou
Espace, x

Retard, τ

Figure 1.11 : La réponse impulsionnelle temporelle du canal.

Cette représentation concerne généralement les variations à petites échelles du signal.

Dans ce cas les coefficients α l ( t ) représentent les variations rapides du signal et suivent
une distribution de Rayleigh ou de Rice selon qu’il y a ou non un trajet direct entre
l’émetteur et le récepteur. Tous les paramètres de la réponse impulsionnelle d’un canal
multi-trajets sont donc des fonctions aléatoires du temps indépendants dû à un
environnement variable dans le temps.
 Canal de Rayleigh
La distribution de Rayleigh est fréquemment utilisée dans le modèle multi-
trajets avec l’absence d’un trajet direct entre l’émetteur et le récepteur, sa densité
de probabilité est donnée par [37] :
 α l2 
− 
α  2σ  2

p (α l ) = 2l exp  α  , α ≥ 0 l
(1.33)
σα l

21
Chapitre1 Introduction aux communications numérique

La phase θ de α l ( t ) est une variable aléatoire uniformément distribuée sur

l’intervalle [ −π , π ] .

1
( )
p θαl =
2π
, −π ≤ θ ≤ π (1.34)

σ α , σ α2 (Variance) sont respectivement la tension et la puissance moyenne

l l

temporelle du signal reçu avant détection.

 Canal de Rice
La distribution de Rice est utilisée dans le modèle multi-trajets avec la présence
d’un du trajet direct, sa densité de probabilité est donnée par [37] :
 α 2 + A2 
α 
−  l 
2σ α2l   Aα 
p (α l ) = 2l exp  J0  2 l  , A ≥ 0, α ≥ 0 (1.35)
σα  σα 
l  l 

Avec A: est la puissance du signal reçu ou du trajet direct, J 0 (.) est la fonction
de Bessel modifiée d’ordre 0. Nous constatons que si A=0 nous aurons un canal
de Rayleigh.
[Link] Interférences entre symboles (IES)
Dans un système numérique, particulièrement s’il fonctionne à un débit binaire élevé, la
dispersion des retards (delay spread) fait que chaque symbole (ou unité d’information)
chevauche le précédent et les subséquents, d’où le phénomène d’interférence entre
symboles (IES ou ISI : Inter-Symbol Interference). Contrairement au bruit,
l'’interférence entre symboles possède une structure particulière qui permet de la
combattre, c'est le rôle de l'égalisation. Comme le montre la figure (1.12). Lorsque le
temps symbole est inférieur à l'étalement temporel du canal, la valeur du symbole reçu à
l’instant t est perturbée par les symboles reçus précédemment. Ce phénomène se produit
si l'amplitude de l'impulsion soumise à échantillonnage en réception dépend, a l'instant
de décision, de symboles voisins. Le symbole reçu peut alors être confondu avec un
autre et introduire des erreurs d’interprétation par le récepteur. L’interférence entre
symbole est la principale source d’erreur binaire dans les communications numériques.

TS
1 symbole

t t

Réponse impulsionnelle
du canal

Figure 1.12 : Etalement d’un signal numérique après transmission

22
Chapitre1 Introduction aux communications numérique

Les trajets multiples sont à l’origine de la dispersion temporelle et l’effet Doppler

provoque la dispersion fréquentielle. On introduit deux paramètres relatifs à ces
dispersions [29] :
 La bande de cohérence Bc : Il s’agit de l’écart fréquentiel minimal sur lequel
les caractéristiques du canal sont corrélées. Ainsi, deux sinusoïdes dont l’écart
fréquentiel est supérieur à Bc seront différemment affectées par le canal. Cette
grandeur est environ l’inverse de l’étalement temporel du canal.
 Le temps de cohérence Tc : C’est la durée sur laquelle les caractéristiques du
canal de transmission demeurent quasi-constantes. Cette grandeur est environ
l’inverse de l’étalement fréquentiel du canal.
Ces paramètres sont utilisés pour classer les canaux. On note Bs la bande occupée par le
signal à transmettre et Ts la durée d’un symbole (voir figure 1.13).
 Si Bs << Bc : toutes les composantes fréquentielles du signal subissent la même
atténuation et le canal est dit non sélectif en fréquence (quasi pas d’IES).
 Si Bs >> Bc : les différentes composantes fréquentielles du signal subissent des
atténuations différentes et le canal est dit sélectif en fréquence (Présence IES).
 Si Ts << Tc : les caractéristiques du canal ne varient pas pendant la durée de
transmission du symbole et le canal est dit non sélectif en temps.
 Si Ts >> Tc : les caractéristiques du canal varient pendant la durée de
transmission du symbole et le canal est dit sélectif en temps.

TCOH Temps symbole Ts

Canal de communication Canal de communication

lent, plat en fréquence rapide, plat en fréquence

BCOH
Canal de communication Canal de communication
lent, sélectif en fréquence rapide, sélectif en fréquence

Bande du signal B

Figure 1.13 : Classification des canaux de communication

Le contrôle au niveau temporel du degré d’IES s’effectue de façon très simple sur un
oscilloscope par le diagramme de l’œil (figure 1.14). Le diagramme de l’œil est un outil
graphique permettant de visualiser la présence d’IES affectant une communication et de
qualifier la qualité du signal numérique reçu. En l’absence d’IES, l’œil est
complètement ouvert à l’ instant de décision : tous les trajets passent par deux points
seulement en binaire (par M points en M-air).

23
Chapitre1 Introduction aux communications numérique

Figure 1.14 : Diagramme de l’œil

(a) (b)
Figure 1.15: Diagramme de l’œil pour une transmission binaire
(a) sans IES, (b) avec IES

Figure 1.16 : Caractéristiques du diagramme de l’œil

24
Chapitre1 Introduction aux communications numérique

La figure 1.15 présente un exemple de diagramme de l’œil (avec et sans interférence

entre symboles) pour une transmission binaire. Le diagramme de l'œil met en évidence
une ouverture verticale a (immunité au bruit), une ouverture horizontale b (immunité au
déphasage de l'horloge), une pente c (immunité à la gigue d'horloge) et une fluctuation d
(amplitude de la gigue du point de passage par zéro) (Figure 1.16). L’ouverture
verticale ou la hauteur de l’œil donne la marge en termes de bruit sur les niveaux. Plus
l’ouverture est faible, plus la présence de bruit pourra causer une erreur de décision sur
le niveau. L’ouverture horizontale ou la largeur de l’œil donne la marge en termes
d’écart temporel entre l’instant d’échantillonnage idéal et tout autre temps
d’échantillonnage. L’instant d’échantillonnage idéal, c'est-à-dire le moment où la
probabilité d’erreur est minimisée, se situe à l’instant où l’œil présente sa plus grande
ouverture. La pente de fermeture ou d’ouverture donne la sensibilité aux erreurs
temporelles.
[Link] Annulation de l’IES : condition de Nyquist
Pour améliorer la fiabilité d’une communication numérique, il convient de minimiser le
risque d’apparition d’IES. Il est possible de savoir si un canal pourra présenter un
risque important d’apparition d’interférence entre symboles en étudiant sa réponse
impulsionnelle discrète. Soit le système de transmission décrit à la figure 1.17,
présentant un filtre émetteur, un support de transmission puis un filtre récepteur [21].
v (t )
di x (t ) +
Filtre d’émission Canal de
e(t) transmission c(t)
z (t )

Echantillonnage à y (t ) Filtre de
t = iTs réception r(t)

Figure 1.17 : Modèle d’un système de transmission

D’après la figure 1.17, la réponse impulsionnelle globale du système de transmission
(filtre d’émission, de canal, de réception) s’écrit comme la convolution des trois
réponses mises en jeu :
p (t ) = e (t ) * c (t ) * r (t ) (1.36)

Dans le domaine fréquentiel, cette relation devient :

P ( f ) = E ( f ) C( f ) R ( f ) (1.37)

 Condition de Nyquist dans le domaine temporel

Supposons qu’un émetteur transforme la séquence binaire di et produit le signal
transmis :
x ( t ) =  d i e ( t − iTs ) (1.38)
i

Où e(t) représente la réponse impulsionnelle du filtre émetteur et Ts la période des

symboles binaires.

25
Chapitre1 Introduction aux communications numérique

Le signal est ensuite transmis à travers le canal de transmission, caractérisé par une
réponse impulsionnelle c(t). De plus, le canal introduit un bruit additif au signal à
l’entrée du récepteur. Le signal en entrée du récepteur z ( t ) peut s’écrire sous la forme :

z (t ) = x (t ) * c (t ) + v (t ) (1.39)

Ce signal passe ensuite à travers un filtre de réception de réponse impulsionnelle r(t). Le

signal en sortie du filtre de réception peut s’écrire :
y (t ) = r (t ) * z (t ) (1.40)

Finalement, la sortie y(t) est échantillonnée de façon synchrone avec l’émetteur tous les
ti=[Link], ce qui donne [23]:
∞
y ( ti ) = p ( 0 ) di +  d k p ( ( i − k ) Ts ) + w ( ti ) (1.41)
k ≠i

Où w(t) représente le bruit produit à la sortie du filtre de réception par le bruit additif
d’entrée du récepteur v(t), et p(t) la réponse impulsionnelle du système composé du
canal et des filtres d’émission et de réception.
Finalement, un dispositif de décision reconstruit les données symboles de l’entrée à
partir de cette sortie échantillonnée. En particulier il doit décider du symbole émis à
l’instant ti, c’est-à-dire fournir dˆi .
Dans l’expression (1.41) :
• Le premier terme p(0)di représente la contribution du ième symbole transmis,
c'est-à-dire celui qu’on cherche à recevoir sans erreurs.
• Le second terme représente l’effet résiduel de tous les autres symboles
transmis sur le décodage du ième symbole. Cet effet résiduel dû aux
impulsions arrivant avant et après l’instant ti est appelé interférence entre
symboles.
• Le dernier terme w(ti) représente le bruit à l’instant ti.
En l’absence de bruit et d’interférence entre symboles, on ne récupèrerait que le premier
terme et aucune erreur d’interprétation ne serait possible.
A partir de l’équation (1.41), l’interférence entre symboles est nulle si l’on vérifie :
∞

 d p ( ( i − k ) T ) = 0,
k ≠i
k s ∀d k (1.42)

L’équation (1.42) indique que tous les symboles doivent s’annuler aux instants
d’échantillonnage des autres symboles. Une condition nécessaire pour ne pas avoir
d’IES est que l’impulsion de base p ( t ) = e ( t ) * c ( t ) * r ( t ) possède la propriété :

p ( iTs ) = p ( 0 ) δ [i ] (1.43)

Le filtre p(t), qui représente le canal en entier (filtre d’émission, de canal, de réception)
est dit canal de Nyquist s’il vérifie cette condition.

26
Chapitre1 Introduction aux communications numérique

 Condition de Nyquist dans le domaine spectral

Si la condition de Nyquist dans le domaine temporel est vérifiée, l'échantillonnage avec

une période Ts de l’impulsion de base p(t) conduit alors à un seul Dirac en zéro :

 p ( t ) δ ( t − iT ) = p ( 0 ) δ ( t )
i
s (1.44)

En prenant la transformée de Fourier (TF) des deux membres, on en déduit la condition

dans le domaine spectral [38] :

 i 
 P f − T  = Ts p ( 0 ) (1.45)
i  s 

Compte-tenu des propriétés de la TF, il est impossible d’avoir un support borné à la fois
dans les domaines temporel et fréquentiel. En pratique, le choix est imposé : la
transmission doit s’effectuer dans un canal à bande passante limitée [-B, B]. On suppose
la TF de l’impulsion de base a un support fréquentiel borné, avec :
1
P ( f ) = 0 pour f ≥ (1.46)
Ts
On vérifie alors facilement que la condition dans le domaine spectral conduit à la
condition ci- dessous, de laquelle découle le critère spectral de Nyquist :
 1   1 
P + ∆f  + P − ∆f  = P ( 0) (1.47)
2
 sT  2
 sT 
 1 P ( 0) 
L’IES est nulle si le point  ,  de la réponse en fréquence globale P ( f ) est un
2
 sT 2 
centre de symétrie (voir figure 1.18)

Figure 1.18 : Démonstration du critère spectral de Nyquist

Lorsque les conditions de Nyquist sont vérifiées, l’ensemble du système constitue un

canal de Nyquist. Notons que la transmission sans IES est impossible si la bande
passante B du canal est inférieure à la limite appelée la fréquence de Nyquist :

1 D
B< = s (1.48)
2Ts 2

27
Chapitre1 Introduction aux communications numérique

Figure 1.19 : Bande passante inférieure à 1/2Ts

En présence du bruit, le filtre de réception, doit corriger, éventuellement de façon

adaptative, la distorsion linéaire responsable de l’IES introduite par le canal. Le canal
est dit égalisé lorsque la réponse globale vérifie le critère de Nyquist. En pratique on y
parvient à l’aide d’un filtre supplémentaire appelé égaliseur placé derrière le filtre
d’entrée du récepteur, après échantillonnage (réalisation sous forme numérique). Plus
d’information sur les techniques d’égalisation va être présentée dans les chapitres
suivants [38].

1.6 FILTRAGE NUMERIQUE

Les filtres numériques sont utilisés pour deux raisons principales, la première est la
séparation des signaux qui ont été combinés, la séparation est nécessaire quand un
signal a été affecté par des interférences, de bruit, ou d'autres signaux, et la second
raison est la restauration des signaux qui ont été déformés. Les filtres analogiques
peuvent être utilisés pour ces mêmes tâches, mais, les filtres numériques aboutissent des
résultats bien supérieurs. Selon l’implémentation, deux types sont distingués, les filtres
récursifs, dits filtres à Réponse Impulsionnelle Infinie (RII), et les filtres non récursifs,
dits filtres à Réponse Impulsionnelle Finie (RIF) [39].

1.6.1 Filtre à Réponse Impulsionnelle Finie (RIF)

La sortie d’un filtre numérique à réponse impulsionnelle finie (figure 1.20), peut
s’exprimer comme une combinaison linéaire des échantillons présents à son entrée. Les
coefficients de la combinaison linéaire constituent la réponse impulsionnelle du filtre.
Le filtre de réponse H(z) défini par (1.49) est un filtre de type RIF. Un filtre RIF est
stable et causal et donc physiquement réalisable. Pour cette raison les filtres RIF sont
très souvent utilisés dans les systèmes d’égalisation [40].
Y (z) N −1
H (z) = =  h [i ]z − i (1.49)
X (z) i=0

La sortie du filtre est de la forme :

N −1
y ( k ) =  h [i ]x ( k − i ) (1.50)
i =0

28
Chapitre1 Introduction aux communications numérique

x(k) x(k-1)
Z-1 Z-1 Z-1

h0 h1 hN-2 hN-1

y(k)
∑

Figure 1.20 : Structure d’un filtre à réponse impulsionnelle finie (RIF)

1.6.2 Filtre à Réponse Impulsionnelle Infinie (RII)

Les filtres numériques à réponse impulsionnelle infinie RII (figure 1.21), conservent
une trace des échantillons qui leurs ont été appliqués pendant une durée infinie, ils sont
donc à mémoire infinie. Une telle mémoire est réalisée en utilisant une boucle de
réaction de la sortie sur l’entrée, d’où la dénomination courante de filtre récursif [40].
Un filtre RII est décrit par l’équation suivante :
N M
y ( k ) =  a ( n ) x ( k − n ) −  b ( m) y ( k − m ) (1.51)
n =0 m =1
Où : x ( k ) : Valeurs successive du signal d’entrée.
an , bm : Coefficients de la fonction de transfert du filtre.
y ( k ) : Valeurs successives du signal de sortie.
N , M : Ordres du numérateur et du dénominateur de H ( z )
Chaque échantillon de sortie est égal à une combinaison linéaire des échantillons
présents à l’entrée du filtre et des échantillons précédemment déterminés en sortie du
filtre. La fonction de transfert d’un filtre RII se présente sous la forme suivante [35].
N

 a ( n) z
n =0
−n

H ( z) = M
(1.52)
1 +  b( m ) z −m

m =1

Les racines du numérateur et du dénominateur sont respectivement appelées les zéros et

les pôles de la fonction de transfert, ainsi la fonction de transfert peut s’écrite [21, 35]
N
−1
∏ (1 − Z Z
n=0
n )
H ( z) = A 0 M
(1.53)
−1
∏ (1 − P Z
m =1
m )

Z n et Pm dénotent les zéros et les pôles respectivement, A0 représente le facteur

d’échelle qui définit le gain.
Pour qu'un filtre à réponse impulsionnelle infinie soit réalisable, il est nécessaire qu'il
soit causal et stable. Un filtre causal est stable si les pôles de sa fonction de transfert en
Z sont à l'intérieur du cercle unité. On notera qu’un filtre possédant tous ses pôles et ses
zéros à l’intérieur du cercle unité est appelé filtre à phase minimale, tandis qu’un filtre
dont tous les pôles sont à l’intérieur du cercle unité et des zéros à l’extérieur de ce cercle
est dit à phase non minimale.

29
Chapitre1 Introduction aux communications numérique

a(0)
x(k) y(k)
∑
Z-1 Z-1
a(1) b(1)

x(k-1) y(k-1)

Z-1 a(2) Z-1

b(2)
x(k-2)
y(k-2)

Z-1 Z-1
a(N-1) b(M-1)
x(k-N+1) y(k-M+1)

Figure 1.21 : Structure d’un filtre à réponse impulsionnelle infinie (RII)

1.6.3 Comparaison entre les filtres RIF et RII

 Un filtre RIF peut atteindre une phase linéaire exacte, il n’introduit pas des
distorsions sur la phase du signal. La réponse à phase linéaire est importante
dans les applications telles que la transmission des données, et le traitement
d’image. Par contre un filtre RII possède généralement une réponse à phase non
linéaire en particulier sur les limites de bande.
 La stabilité des filtres RIF est garantie alors qu’un tel garant n’est pas disponible
pour les filtres RII.
 Les filtres RII sont plus souhaités lorsqu’un seuil de coupure est exigé. Un tel
cas nécessite un filtre RIF d’ordre très élevé, se qui implique un grand retard.
Or, un filtre d’ordre supérieur possède plus de coefficients et par conséquent
plus de mémoire et plus de coût en termes de calcul.
 Les filtres RII sont plus sensibles aux erreurs d'arrondi et des erreurs de
quantification que les filtres RIF.

En conclusion, si un seuil de coupure avec un haut débit (retard faible) sont demandés,
les filtres RII sont les plus souhaitables. D’autre part, si la phase linéaire exacte est
importante, les filtres RIF sont les plus conseillés. Par conséquent les filtres RIF sont le
choix le plus couramment utilisé si le nombre de coefficients n'est pas trop grand en
raison de leurs propriétés de calcul supérieures.

30
Chapitre1 Introduction aux communications numérique

1.6.4 Filtrage adaptatif

Dans l’étude de l’égalisation, il semble pertinent d’avoir une idée au sens large sur le
« filtrage adaptatif ». Le terme « adaptatif » peut être compris en considérant un système
qui tente de lui ajuster pour répondre à certains phénomènes qui avaient lieu autour de
lui, en d’autres mots, le système tente d’ajuster leurs paramètres dans le but de répondre
à certains objectifs bien définis, qui dépendent de l’état du système ainsi que son
environnement. De plus, il est nécessaire d’avoir un ensemble des étapes ou une
certaine procédure avec laquelle l’adaptation est accomplie. Le système qui réalise et
subit la procédure d’adaptation est appelé « filtre ».
Un filtre adaptatif est constitué de deux parties (Figure 1.22) :
 Un filtre numérique à coefficients ajustables de nature FIR ou IIR (Wiener,
Kalman …etc.),
 Un algorithme de modification de ces coefficients ajustables basé sur un critère
d’optimisation [41].
Evidemment, selon le temps nécessaire pour atteindre l’objectif final de l’adaptation,
qui s’appelle le temps de convergence, la complexité, et les ressources disponibles pour
accomplir l’adaptation, nous pouvons avoir une variété des algorithmes d’adaptation et
des structures des filtres.

x ( k ) Séquence
d’information
Signal Signal
observé Filtre estimé
∑
r (k ) FIR/IIR y (k )
e ( k ) Signal
Réponse d’erreur
impulsionnelle

Algorithme
adaptatif

Figure 1.22 : Schéma d’un système de filtrage adaptatif

Les filtres adaptatifs, par leur nature même, sont des systèmes auto-concepteurs qui
peuvent s'adapter à différents environnements. Par conséquent, ils trouvent des
applications dans des domaines aussi divers que le contrôle, les communications, le
traitement du signal radar et sonar, l'annulation des interférences, le contrôle actif du
bruit, le génie biomédical, etc. La caractéristique commune de ces applications qui les
regroupent sous la même formule de base de filtrage adaptatif est qu'elles impliquent
toutes un processus de filtrage d’un signal d'entrée pour atteindre une réponse souhaitée.
les paramètres du filtre sont mis à jour en faisant un ensemble de mesures des signaux
sous-jacents et l'application de cet ensemble à l'algorithme de filtrage adaptatif de telle
sorte que l’écart entre la sortie du filtre et la réponse désirée est réduit au minimum soit
dans les algorithmes statistiques ou déterministes.

31
Chapitre1 Introduction aux communications numérique

1.7 CONCLUSION
Dans ce chapitre, nous avons présenté les principales notions relatives aux systèmes de
communication numérique. Nous avons présenté quelques généralités sur la chaîne de
communication numérique. Les différents modèles mathématiques des canaux de
transmission les plus rencontrés en pratique, sont également évoqués, avec les
distorsions introduites par ces canaux, notamment l’interférence entre symboles qui a
été bien détaillé en considérant qu’il constitue un problème dont son élimination fait
l’objectif principal de l’égalisation. On a présenté aussi un aperçu sur les filtres
numériques, leur structures et leur équation, le filtrage adaptatif est une notion très
importante qu’on a évoqué aussi, tous les éléments cités précédemment, constitue les
éléments de base qui vont nous aider à avoir une idée précise des égaliseurs adaptatifs,
l’objet des chapitres suivants.

32
 CHAPITRE 2
ALGORITHMES D’OPTIMISATION : ETAT DE L’ART

2.1 INTRODUCTION

La résolution de tels problèmes a fait l’objet de nombreux travaux en utilisant diverses

méthodes d’optimisation. De nos jours l’optimisation est devenue un domaine
indispensable pour résoudre plusieurs problèmes que se soit dans l’industrie ou d’autres
secteurs. Les algorithmes d’optimisation utilisés dans le filtrage adaptatif présentent
plusieurs difficultés liées aux besoins de l’utilisateur (recherche d’une solution globale,
fiabilité et précision de la solution, temps de calculs disponible,…), aux caractéristiques
du problème traité (non linéarité, interférence, bruit,…) et aux temps de calculs
importants. Nous aborderons dans ce chapitre les définitions générales des méthodes
d’optimisation qui se divisent en deux grandes classes : les méthodes déterministes et
les méthodes non déterministes. Les caractéristiques principales de chaque classe, leurs
points forts et leurs points faibles sont montrés.

2.2 CARACTÉRISTIQUES

2.2.1 Formulation des problèmes d’optimisation

La formulation des problèmes d’optimisation reste très ambigüe à cause de la diversité
des vocabulaires et des confusions éventuelles que cela pourrait engendrer. Nous avons
convenu d’adopter le vocabulaire qui suit [42] :
 Un problème d’optimisation mono-objectif est défini par un ensemble de
variables, une fonction objectif et un ensemble de contraintes.
 Un problème d’optimisation multi-objectif est défini par un ensemble de
variables, un ensemble de fonctions objectif et un ensemble de contraintes.
 L’espace d’état, appelé aussi domaine de recherche, est l’ensemble des domaines
de définition des différentes variables du problème.
 Les variables du problème dite aussi variable de conception ou de décision
peuvent être de nature diverse (réelle, entière, booléenne. etc.) et exprimer des
données qualitatives ou quantitatives.
 La fonction objectif ou encore (fonction de coût) définit le but à atteindre, on
cherche à minimiser ou à maximiser celle-ci.
 Une fonction multimodale présente plusieurs minima (locaux et globaux).
Tandis qu’une fonction unimodale n’a qu’un minimum, le minimum global.
Chapitre 2 Algorithmes d’optimisation : État de l’art

Les méthodes d’optimisation recherchent un point ou un ensemble de points dans

l’espace de recherche qui satisfont l’ensemble des contraintes, et qui maximisent ou
minimisent la fonction objectif.

2.2.2 Optimum local et optimum global

Lorsque l’on veut résoudre un problème d’optimisation, on recherche la meilleure

solution possible à ce problème, c’est-à-dire l’optimum global. Cependant, il peut
exister des solutions intermédiaires, qui sont également des optimums, mais uniquement
pour un sous-espace restreint de l’espace de recherche : on parle alors d’optimums
locaux. Cette notion est illustrée dans la figure 2.1 [43].
Soit un problème d’optimisation, avec C l’ensemble des solutions admissibles du
problème :

 Si l’on peut prouver que ∀x ∈ C , f ( xg ) < f ( x ) , alors on dira que xg est

l’optimum (minimum) global du problème;

 S’il existe un ensemble V ⊂ C , contenant xl , tel que ∀x ∈ V , f ( xl ) < f ( x ) , avec

x ≠ xl , alors on dira que xl est un optimum (minimum) local du problème.

fl

fg

xl xg

Figure 2.1 : Optimum local et optimum global.

2.2.3 Opérateurs de recherche fondamentaux

La recherche de l’optimum d’une fonction est généralement réalisée à l’aide de deux
opérateurs fondamentaux : l’exploration et l’exploitation.
 L’exploration est la capacité de l’algorithme à explorer le domaine des
variables pour rechercher la meilleur vallée, c’est-à-dire celle qui contient
l’optimum global.
 L’exploitation est la capacité de l’algorithme à converger rapidement vers le
minimum d’une vallée donnée à partir d’un point de départ.

34
Chapitre 2 Algorithmes d’optimisation : État de l’art

Le succès et l’efficacité d’une technique de résolution dépendent la plupart du temps

d’un compromis entre l’exploration et l’exploitation.
Tout algorithme d’optimisation doit utiliser ces deux stratégies pour trouver l’optimum
global : l’exploration pour la recherche de régions inexplorées de l’espace de recherche et
l’exploitation pour exploiter la connaissance acquise aux points déjà visités et ainsi
trouver des points meilleurs. Ces deux exigences peuvent paraître contradictoires mais un
bon algorithme de recherche doit trouver le bon compromis entre les deux. Une recherche
purement aléatoire est bonne pour l’exploration mais pas pour l’exploitation alors que la
recherche dans le voisinage est une bonne méthode d’exploitation mais pas d’exploration.
Certaines méthodes toutefois n’utilisent qu’un seul de ces opérateurs pour parvenir à
l’optimum. Ainsi, les méthodes déterministes, exploitant les dérivées de la fonction
objectif pour atteindre rapidement et précisément le minimum local le plus proche du
point de départ, privilégient l’exploitation au détriment de l’exploration [42, 44].

2.2.4 Sensibilité et robustesse d’une méthode d’optimisation

L’efficacité d’une méthode d’optimisation est liée à la sensibilité et à la robustesse par
rapport aux paramètres de contrôle et aux conditions initiales (valeur initiales des
variables de conception, valeur initiales des paramètres de contrôle). Lorsque les
variables de conception doivent prendre une valeur bien précise pour que la méthode de
résolution converge vers l’optimum d’une fonction donnée, la méthode est dite sensible
aux conditions initiales. Une méthode d’optimisation est robuste si pour une même
valeur des paramètres de contrôle et des conditions initiales, elle est capable de trouver
l’optimum de fonctions très différentes [44].
Une méthode parfaite devrait être totalement insensible aux conditions initiales et aux
variables de conception et converger vers l’optimum quelles que soient la fonction
objectif et les contraintes.

2.2.5 Ordre d’une méthode de résolution

Les méthodes de résolution peuvent être classées à partir de leur ordre selon qu’elles
nécessitent ou non le calcul des dérivées de la fonction objectif et des fonctions
contraintes par rapport aux paramètres. Une méthode est dite d’ordre zéro si elle utilise
uniquement la connaissance de la fonction elle-même. Elle est d’ordre un si elle requiert
le calcul des dérivées première et d’ordre deux s’il lui faut aussi accéder aux dérivées
secondes.
Les méthodes d’ordre zéro sont en général peu précises et convergent plus lentement
vers l’optimum. En revanche, elles offrent l’avantage d’éviter le calcul du gradient, ce
qui est intéressant lorsque la fonction n’est pas différentiable ou que le calcul de son
gradient représente un cout important.
Les méthodes d’ordre un permettent d’accélérer la localisation de l’optimum, puisque le
gradient donne l’information sur la direction de l’amélioration. Par contre elles sont
applicables seulement aux problèmes où les fonctions objectif sont continument
différentiables.

35
Chapitre 2 Algorithmes d’optimisation : État de l’art

2.3 LES MÉTHODES D’OPTIMISATION LOCALE

Les algorithmes de recherche locale passent d’une solution à une autre dans l’espace des
solutions candidates (l’espace de recherche) jusqu’à ce qu’une solution considérée
comme optimale soit trouvée ou que le temps imparti soit dépassé. En revanche
optimiser localement, c’est chercher une solution à un problème qui soit proche d’une
solution de départ (optimisation locale), mais qui soit meilleure en terme de coût
(fonction objectif). Pour cela, nous recherchons une meilleure solution par itérations
successives, cette classe de méthodes peut être déterministe ou non-déterministe.
2.3.1 Optimisation déterministe
Lorsque l’évolution de la méthode de résolution est prévisible et ne laisse aucune place
au hasard, celle-ci est qualifiée de déterministe. Les méthodes déterministes s’appuient
sur une direction de recherche qui peut être fournie par les dérivées de la fonction
objectif. Ces méthodes ont la réputation d’être efficaces lorsque la solution initiale est
proche de l’optimum recherché.
La formulation du problème d’optimisation locale s’écrit :

Trouver ( xl , fl ) ∈ C , ou f l =f ( xl )
telque :
(2.1)
∀x ∈ V , f ( xl ) ≤ f ( x )
ou V est un voisinage de xl

En principe la mise à jour se fait selon une direction de recherche dk par le processus
itératif suivant :
xk +1 = xk + µk d k (2.2)

Avec : µk est un pas de déplacement et xk +1 est l’approximation de xl à l’itération k + 1.

Les méthodes de types gradient utilisent les gradients et/ou les Hessiens de f (ou leurs
approximation) pour choisir des d k et µk appropriés, de façon que la direction choisie
soit une direction de descente.
Le principe général est le suivant : x1 donné, nous construisons un processus xk
satisfaisant :

f ( xk +1 ) < f ( xk ) avec xk +1 = xk + µk d k (2.3)

Où d k est une direction de descente et µk minimise f ( xk +1 ) dans la direction d k .

Pour calculer d k et µk , l’algorithme peut utiliser des informations sur les valeurs du
gradient de f au point xk courant.
Finalement l’algorithme général qui sert à résoudre le problème peut s’écrire comme
suit :

36
Chapitre 2 Algorithmes d’optimisation : État de l’art

Initialisation
x0 , µ0 , d 0
Itération
Si le test d’arrêt n’est pas vérifié faire
xk +1 = xk + µk d k
Fin Si

Le choix de la direction de descente a conduit au développement de plusieurs

algorithmes, chacun avec ses propres caractéristiques. Parmi ces algorithmes se
trouvent [42]:
 L’algorithme du gradient à pas fixe : C’est la méthode la plus simple, qui
consiste à construire le processus itératif suivant :
x1 donné
(2.4)
xk +1 = xk − µ∇f ( xk )

Où µ est appelée pas de descente, est une constante positive donnée, ne

dépendant pas de k. La direction de descente est celle opposée à la direction du
gradient. La convergence de la méthode n’est assurée que pour de bonnes
valeurs de µ , c’est-à-dire ni trop grandes ni trop petites. En prenant de petites
valeurs de µ , en effet la descente doit être vérifiée, c’est-à-dire que
f ( xk +1 ) < f ( xk ) .
 L’algorithme du gradient à pas prédéterminé : Il s’agit d’une amélioration de
la méthode précédente. La direction de descente est toujours le gradient et µk
est choisi tel que :
lim µ k = 0
k →+∞
+∞ (2.5)
 µk = +∞
k =0

 L’algorithme du gradient à pas optimal (Steepest descent) : Il est également

connu sous le nom d’algorithme de la plus forte pente ou de la plus profonde
descente. La méthode consiste à choisir le gradient comme direction de descente
et à calculer, à chaque itération, la meilleure profondeur de descente. Donc
l’algorithme est le suivant :
x1 donné
(2.6)
xk +1 = xk − µk ∇f ( xk )

Où µk est calculé de manière à minimiser f ( xk +1 ) dans la direction du gradient,

à l’étape k, la fonction f ( xk +1 ) ne dépend que de µk car ∇f ( xk ) est fixé.

37
Chapitre 2 Algorithmes d’optimisation : État de l’art

2.3.2 Optimisation non déterministe ou stochastique

L’optimisation stochastique est une méthode qui génère et utilise des variables
aléatoires. L’optimisation stochastique n’est pas une famille de problèmes, de modèles
et d’outils différents des autres domaines d’optimisation (programmation linéaire, non-
linéaire, dynamique), au contraire, elle constitue un complément de ces familles lorsque
la notion d’incertitude intervient. Dans ce cas nous parlerons de programmation
stochastique linéaire, non-linéaire ou bien de programmation stochastique dynamique.
En effet, le but qui se fixe dans un problème d’optimisation stochastique est de prendre
la meilleure décision vis à vis des situations qui comportent de l’incertitude.
L’optimisation stochastique, concerne l’optimisation d’une fonction f non directement
observable. On se propose de déterminer la valeur xl du paramètre x pour laquelle f est
minimum. Il existe deux cas : nous pouvons faire des observations bruitées de ∇f ( x ) ,
ou des observations bruités de f ( x ) , c’est le cas le plus utilisé. La détermination de xl se
fera par une procédure du type gradient approché stochastique. Dans ce cas, pour
estimer xl, valeur du paramètre réel x, pour laquelle f est minimum, il suffit de trouver
un estimateur du ∇f ( x ) .
Dans ce même ordre d’idée, plusieurs chercheurs ont mis au point plusieurs processus
intéressants, Parmi ces processus se trouvent [42] :

 Le processus de Kiefer-Wolfowitz
Soit {e1 ,...., ed } une base orthonormée de ℝ d , et soit y ( x ) , x ∈ ℝ d une famille de
variables aléatoires. Soit µk et ck deux suites de réels positifs. Le processus
aléatoire multidimensionnel construit X k ( X k est un vecteur aléatoire de ℝ d ). Le
processus de Kiefer-Wolfowitz s’écrit comme suit :

X 1 vecteur aléatoire donné

(2.7)
X k +1 = X k + µkWk , k ≥ 1

Où Wk est un vecteur aléatoire, qui apparaît comme une approximation

stochastique en différence finie centrée du gradient ∇f ( xk ) et dont la jème
composante est définie par :

y ( xk + ck e j ) − y ( xk − ck e j )
Wk j = , k ≥ 1, j = 1,...., d (2.8)
2ck

Dans cette méthode, quand le nombre de dimension est grand la recherche

devient de plus en plus laborieuse et l’algorithme converge en un temps énorme.
En effet, si le problème est de dimension d alors en une seule itération pour
évaluer le gradient il va falloir calculer la fonction objectif 2d fois.

38
Chapitre 2 Algorithmes d’optimisation : État de l’art

 Le processus de James Spall

Le processus de James Spall s’écrit comme suit :
X 1 vecteur aléatoire donné
(2.9)
X k +1 = X k + µkWk , k ≥ 1

Où Wk est un vecteur aléatoire, qui peut être approché par l’estimateur suivant :
y ( xk + ck ∆ k ) − y ( xk − ck ∆ k )
Wk j = , k ≥ 1, j = 1,...., d (2.10)
2ck ∆ kj

Où ∆ k est un vecteur de d variable aléatoires indépendants symétriquement

distribuées autour de zéro. En général nous travaillons avec la distribution
symétrique de Bernoulli ±1. Cette méthode ne requiert que deux évaluations de
la fonction objectif par itération pour former le gradient et ceux
indépendamment des dimensions du problème [45, 46].
Dans les méthodes d’optimisation locale que nous avons présentés, les algorithmes
cherchent le minimum d’une fonction en se basent sur la connaissance d’une direction
de recherche. Bien sûr, ces méthodes seront toujours applicables et même
recommandées lorsque la solution cherchée est réputée proche de la solution connue
(point de départ) ou si la fonction objectif est convexe, en particulier, si le calcul n’est
pas coûteux [47]. Toutefois, elles ne sont pas indiquées pour des problèmes où le risque
de rester bloqué dans un optimum local est fort probable, cela suffit pour travailler avec
d’autres types : L’optimisation globale.

2.4 LES MÉTHODES D’OPTIMISATION GLOBALE

Durant ces dernières années, l’optimisation globale a fait l’objet de plusieurs études
grâce à des résultats théoriques nouveaux, une forte demande dans plusieurs domaines
incluant des applications industrielles, et au développement des moyens de calcul.
Cependant, les méthodes d’optimisation globale se basent sur une recherche globale sur
tout l'espace de recherche. En fait, elles permettent d’échapper au problème de
l’optimum local et de déterminer l’optimum global. C’est pourquoi beaucoup
d’approches ont été utilisées dans la tentative de résoudre le problème. Il s’agit, de
trouver un état de minimum et de ne s’arrêter que s’il est le meilleur (l’optimum global).
On distingue deux types d’approches selon qu’elles incluent ou non des processus
probabilistes : Les méthodes déterministes et les méthodes non-déterministes.

2.4.1 Méthodes déterministes

Ces méthodes ont tout d’abord été introduites pour résoudre de manière exacte des
problèmes particuliers comme par exemple les problèmes continus et linéaires sous
contraintes linéaires. La principale qualité des méthodes globales déterministes est
qu’elles ne nécessitent pas de point de départ. Ces méthodes permettent de bien gérer
les contraintes, contrairement aux méthodes stochastiques et permettent d’obtenir, à la
convergence, la solution exacte du problème d’optimisation considéré avec une garantie

39
Chapitre 2 Algorithmes d’optimisation : État de l’art

absolue, en utilisant l’arithmétique d’intervalles arrondie telle qu’elle a été définie par
R. Moore [48]. Aucune erreur numérique insidieuse ne peut écarter de tels algorithmes
de la solution optimale, il sera dans le pire des cas seulement ralenti. Ces algorithmes
sont appelés : algorithmes de Branch-and-Bound par intervalles. Les plus intéressantes
d’entre elles sont :
 Méthodes à Recherche par Quadrillage (Grid Search Methods) ;
 Méthodes des Trajectoires (Trajectory Methods) ;
 Méthodes de séparation-évaluation (Branch-and-Bound).

Cependant, il faut savoir que les méthodes déterministes globales restent utilisables tant
que le nombre de variables ne devient pas trop important. Ces méthodes sont connues
par le fait qu’elles garantissent l’optimalité de la solution mais elles sont très
gourmandes en termes de temps de calcul et de l’espace mémoire nécessaire. C’est la
raison pour laquelle, elles sont beaucoup plus utilisées pour la résolution de problèmes
faciles. La nécessité de disposer d’une solution de bonne qualité (semi optimale) avec
un coût de recherche (temps de calcul et espace mémoire) raisonnable a conduit les
chercheurs à proposer un autre type de méthodes de résolution de problèmes,
communément connues par les méthodes approchées. Ces dernières constituent une
alternative aux méthodes exactes.
2.4.2 Méthodes non-déterministes
Ces méthodes non-déterministes font appel à des tirages de nombres aléatoires. Elles
permettent d’explorer l’espace de recherche plus efficacement. Dans la suite on
s’intéressera plus particulièrement aux méta-heuristiques.
Le mot méta-heuristique est dérivé de la composition de deux mots grecs : heuristique
qui vient du verbe heuriskein (euriskein) et qui signifie trouver et méta qui est un
suffixe signifiant au-delà, dans un niveau supérieur. La particularité qui différencie les
méthodes méta-heuristiques des méthodes heuristiques c’est que les méta-heuristiques
sont des méthodes générales de recherche applicables sur de nombreux problèmes.
Tandis que, les heuristiques sont spécifiques à un problème donné. Elles nécessitent des
connaissances du domaine du problème traité [49].
Dans la vie pratique, on se retrouve souvent confronté à des problèmes de différentes
complexités, pour lesquelles on cherche des solutions qui satisfont deux notions
antagonistes: la rapidité et la qualité. Les "méta-heuristiques" d’optimisation sont des
algorithmes généraux d’optimisation applicables à une grande variété de problèmes.
Elles sont apparues à partir des années 80, dans le but de résoudre au mieux des
problèmes d’optimisation [50]. Les méthodes méta-heuristiques, contrairement à la
plupart des méthodes déterministes, ne nécessitent ni point de départ, ni à la
connaissance du gradient de la fonction objectif pour atteindre la solution optimale.
Elles s’appuient sur des mécanismes de transition probabilistes et aléatoire qui explorent
efficacement l’espace de recherche et convergent vers l’optimum global. Leur nature
aléatoire implique que plusieurs exécutions successives de ces méthodes conduisent à
des résultats différents pour une même initialisation du problème d’optimisation.
Cependant elles demandent un nombre important d’évaluations de la fonction objectif

40
Chapitre 2 Algorithmes d’optimisation : État de l’art

en comparaison avec les méthodes déterministes exploitant la dérivée de la fonction

objectif.
L’efficacité d’une méta-heuristique dans la résolution d’un problème d’optimisation est
liée à sa capacité d’établir un certain équilibre entre l’exploitation des expériences
acquises (i.e. les solutions trouvées) au cours de la recherche et l’exploration de l’espace
de recherche pour identifier d’autres solutions de très bonne qualité [49]. Il est à noter
que les termes « exploitation » et « exploration » peuvent être remplacés par les termes
« intensification » et « diversification » respectivement (voir figure 2.2).
La différence principale entre ces deux notions réside dans le fait qu’une phase
d’intensification vise à forcer une solution donnée à tendre vers l’optimum local de la
zone à laquelle elle est attachée [51]. Tandis qu’une phase de diversification encourage
le processus de recherche à examiner des régions non visitées et à découvrir des
solutions différentes des solutions rencontrées afin d’explorer l’espace de recherche
dans une échelle globale [52].

Diversification

Apprentissage Intensification

Représentent l’échantillonnage de la fonction objectif

.
Figure 2.2 Les trois phases d’une méta-heuristique.

La majorité des algorithmes méta-heuristiques sont inspirées des systèmes naturels, ils
peuvent être regroupés en quatre catégories principales [53] (voir figure 2.3) : les
algorithmes évolutionnaires, les algorithmes basés sur la physique, les algorithmes basés
sur les essaims, les algorithmes basés sur les comportements humains. Les algorithmes
évolutionnaires sont inspirés des lois de l'évolution naturelle. Le processus de recherche
commence par une population générée de manière aléatoire. Le point fort de ces
algorithmes est que les meilleurs individus sont toujours combinés pour former la
prochaine génération d’individus, cela permet d'optimiser la population. Les
algorithmes évolutionnaires les plus populaires sont : les algorithmes génétiques (GA :
Genetic Algorithms) [54], qui simule l'évolution darwinienne. La stratégie d'évolution
(ES, pour Evolution Strategy) [55], l'apprentissage incrémental basé sur les probabilités
(PBIL : Probability-Based Incremental Learning) [56], la programmation génétique
(GP : Genetic Programming) [57] et l'optimiseur basé sur la biogéographie (BBO :
Biogeography-Based Optimizer) [58].

41
Chapitre 2 Algorithmes d’optimisation : État de l’art

Les algorithmes basés sur la physique imitent les règles physiques de l'univers. Les
algorithmes les plus populaires sont le recuit simulé (SA : Simulated Annealing) [59], la
recherche gravitationnelle locale (GLSA : Gravitational Local Search Agorithm) [60],
l'algorithme de recherche gravitationnelle (GSA : Gravitational Search Algorithm) [61],
la recherche de système chargé (CSS : Charged System Search) [62], l'optimisation de
la force centrale (CFO : Central Force Optimization) [63]. Algorithme d’optimisation de
la réaction chimique artificiel (ACROA : Artificial Chemical Reaction Optimization
Algorithm) [64], Algorithme de recherche basé sur la galaxie (GbSA : Galaxy-based
Search Algorithm) [65].
Le troisième groupe comprend les algorithmes basés sur l’intelligence d’essaim qui
imitent le comportement social de groupes d'animaux. L'algorithme le plus populaire est
l’algorithme d’optimisation par essaim de particules (PSO : Particle Swarm
Optimization), développée à l'origine par Kennedy et Eberhart [66]. Autres algorithmes
populaires basés sur les essaims sont : Écholocalisation des dauphins (DE : Dolphin
Echolocation) [67], L'algorithme de colonie d'abeille artificielle (ABC : Artificial bee
colony) [68], Optimisation par colonie de fourmis (ACO : Ant Colony Optimization)
[69], La recherche Coucou (CS : Cuckoo Search) [70].

Méta-heuristiques

Algorithmes Algorithmes basés Algorithmes basés Algorithmes basés

évolutionnaires sur la physique sur les essaims sur les humains

GA GSA PSO TLBO

ES CSS ABC HS

GP CFO ACO TS

BBO BBBC CS GSO

⋮ ⋮ ⋮ ⋮
Figure 2.3 Classification des algorithmes méta-heuristiques.

Le quatrième groupe comprend les algorithmes basés sur les comportements humains.
Les algorithmes les plus populaires sont : l'optimisation basée sur l'enseignement et
l'apprentissage (TLBO : Teaching Learning Based Optimization) [71], recherche
d'harmonie (HS: Harmony Search) [72], Recherche Tabou (TS: Taboo Search) [73, 74],
Optimiseur de recherche de groupe (GSO : Group Search Optimizer) [75, 76].
L’ensemble des méta-heuristiques proposées dans la littérature sont partagées en deux
classes: des méta-heuristiques à base de solution unique et des méta-heuristiques à base
de solution multiple [49].

42
Chapitre 2 Algorithmes d’optimisation : État de l’art

 Les méta-heuristiques à base de solution unique

Les méta-heuristiques à base de solution unique sont appelées méthodes de
recherche locale ou méthode de trajectoire, commencent la recherche avec une
seule solution initiale. Elles se basent sur la notion du voisinage pour améliorer
la qualité de la solution courante (voir figure 2.4). En fait, la solution initiale
subit une série de modifications en fonction de son voisinage. Le but de ces
modifications locales est d’explorer le voisinage de la solution actuelle afin
d’améliorer progressivement sa qualité au cours des différentes itérations. Le
processus s’arrête si la solution courante ne peut pas être améliorée ou le
nombre d’itération maximum est atteint.

Figure 2.4 Exemple d’une solution unique.

La qualité de la solution finale dépend particulièrement des modifications

effectuées par les opérateurs de voisinages. En effet, les mauvaises
transformations de la solution initiale mènent la recherche vers la vallée de
l’optimum local d’un voisinage donné (peut être un mauvais voisinage) ce qui
bloque la recherche en fournissant une solution de qualité insuffisante. De
nombreuses méthodes à base de solution unique ont été proposées dans la
littérature. Parmi lesquelles: La recherche par descente, le recuit simulé, la
recherche tabou, la recherche à voisinage variable (VNS: Variable
Neighbourhood Search) [77], la recherche locale réitérée (ILS: Iterated Local
Search) [78], Recherche locale guidée (GLS: Guided Local Search) [79]…etc.

 Les méta-heuristiques à base de solution multiple

Les méta-heuristiques à base de solution multiple débutent la recherche avec
un ensemble de points de l’espace de recherche (Fig 2.5). Elles s’appliquent sur
une population de solution initiale puis de l’améliorer afin d’extraire la
meilleure (l’optimum global) qui représentera la solution du problème traité.
L’idée d’utiliser un ensemble de solutions au lieu d’une seule solution renforce
la diversité de la recherche et augmente la possibilité d’émergence de solutions
de bonne qualité. Une grande variété de méthodes basées sur une solution
multiple a été proposée dans la littérature, commençant par les algorithmes
évolutionnaires, passant par les algorithmes génétiques et arrivant aux
algorithmes à base d’intelligence par essaims (l’algorithme d’optimisation par
essaim de particules, l’algorithme de colonies de fourmis, l’algorithme de
colonies d’abeilles, la recherche coucou, l’algorithme d’optimisation par

43
Chapitre 2 Algorithmes d’optimisation : État de l’art

coucou…) qui ont connus une investigation remarquable ces deux dernières
décennies.

Figure 2.5 Exemple d’une solution multiple.

Dans la suite on s’intéressera plus particulièrement aux algorithmes à population de

solutions. Les algorithmes à population de solutions simulent le processus d’évolution
d’une population. À partir d’une population de N solutions du problème représentant
des individus, on applique des opérateurs pour obtenir une population de solutions de
mieux en mieux adaptées au problème. Cette adaptation est évaluée grâce à la fonction
objectif associée au problème d’optimisation.
Parmi les algorithmes à population de solutions les plus utilisées, nous mettons dans la
suite l’accent sur celles que nous avons étudiées dans le cadre de cette thèse :
l’algorithme d’optimisation par essaim de particules (PSO : Particle Swarm
Optimization) [66], l’algorithme des sauts de grenouilles (SFLA : Shuffled Frog-
Leaping Algorithm) [80, 81], et l'algorithme d'optimisation de recherche dirigé (DSO :
Directed Searching Optimization Algorithm) [82].
[Link] L’optimisation par essaim de particules (PSO)
Les algorithmes d’optimisation par essaim ont été introduits comme une alternative aux
algorithmes génétiques standards. Ces algorithmes sont inspirés des essaims d’insectes
(ou des bancs de poissons ou des nuées d’oiseaux) et de leurs mouvements coordonnés.
En effet, tout comme ces animaux se déplacent en groupe pour trouver de la nourriture
ou éviter les prédateurs, les algorithmes d’optimisation par essaim recherchent des
solutions pour un problème d’optimisation. L'algorithme le plus populaire est
l’algorithme d’optimisation par essaim de particules (PSO : Particle Swarm
Optimization), développée à l'origine en 1995 par Kennedy et Eberhart [66]. Les
individus de l’algorithme sont appelés particules et la population est appelée essaim.
L’algorithme commence avec une initialisation aléatoire de l’essaim de particules dans
l’espace de recherche. Les particules de l’essaim représentent des solutions potentielles
au problème traité. Chaque particule est caractérisée par sa vitesse de déplacement et
par sa position dans l’espace de recherche [49]. Au cours du processus de la recherche,
chaque particule se déplace pour modifier sa position dans l’espace de recherche en
fonction de sa vitesse actuelle, sa position actuelle, sa meilleure position trouvée au
cours des itérations passées et la meilleure position trouvée par l’essaim. Son
déplacement lui permet de mettre à jour sa position et sa vitesse de déplacement à

44
Chapitre 2 Algorithmes d’optimisation : État de l’art

chaque itération. Les étapes principales de l’algorithme d’optimisation par essaim de

particules sont présentées comme suit :

Etape 1 : Initialisation
Taille de la population (P)
Positions, vitesses et paramètres nécessaires
Etape 2 :
Evaluer les positions des particules Pour N itération
Etape 3 : Mise à jour de vid et xid
Enregistrer la meilleure position Appliquer l’équation (2.11) et (2.12)
Etape 4 : Si f ( xid ) < f ( pbestid )
Calculer la nouvelle vitesse de chaque particule pbestid = vid
Calculer la nouvelle position de chaque particule
Si f ( pbestid ) < f ( gbestd )
Etape 5 :
Evaluer les positions des particules gbestd = pbestid
Etape 6 : Fin Si
Trouver la meilleure position de chaque particule Fin Si
Trouver la meilleure position par l’essaim
Fin Pour
Etape 7 :
Aller à l’étape 4 si le critère d’arrêt n’est pas
atteint.

Chaque particule i de l’essaim est définie par sa position xid = ( xi1 , xi 2 ,....., xiD ) , et sa
vitesse de déplacement vid = ( vi1 , vi 2 ,....., viD ) dans un espace de recherche de dimension
D. Cette particule garde en mémoire la meilleure position par laquelle elle est déjà
passée et la meilleure position atteinte par toutes les particules de l'essaim, notées
respectivement: pbestid = ( pbesti1 , pbesti 2 ,....., pbestiD ) et gbestd = ( gbest1 , g best 2 ,....., gbestD ) .
La particule i va se déplacer entre les itérations t et t+1, en fonction de sa vitesse et des
deux meilleures positions qu’elle connaît (la sienne et celle de l’essaim) suivant les
deux équations suivantes :

vid ( t ) = vi ( t − 1) + c1r1 ( pbestid ( t − 1) − xid ( t − 1) ) + c2 r2 ( gbestd ( t − 1) − xid ( t − 1) ) (2.11)

xid ( t ) = xid ( t − 1) + vid ( t ) (2.12)

Avec :

xid ( t ) , xid ( t − 1) : La position de la particule i dans la dimension d aux temps t et t-1,

respectivement.
vi ( t ) , vi ( t − 1) : La vitesse de la particule i dans la dimension d aux temps t et t-1,
respectivement.

45
Chapitre 2 Algorithmes d’optimisation : État de l’art

pbestid ( t − 1) : La meilleure position obtenue par la particule i dans la dimension d au

temps t-1.
gbestd ( t − 1) : La meilleure position obtenue par l’essaim dans la dimension d au temps t-1.
c1, c2 : Deux constantes qui représentent les coefficients d’accélération.
r1, r2 : Nombres aléatoires tirés de l’intervalle [0,1].
Afin d’estimer la qualité de la particule i, il est indispensable de calculer sa fonction «
objectif » (aussi appelée fitness). La valeur de la fonction « objectif » de la particule xid
est notée f ( xid ) . Cette dernière est calculée en utilisant une fonction spéciale au
problème traité. Afin de mettre à jour les valeurs de xid , pbestid et gbestid , leurs fitness sont
calculées à chaque itération de l’algorithme. xid est mise à jour selon l’équation (2.12).
pbestid et g bestd sont mises à jour si les conditions présentées ci-dessous sont vérifiées
respectivement :
Condition 1 : f ( xid ) est meilleur que f ( pbestid )
Conditions 2 : f ( pbestid ) est meilleur que f ( gbestd )
À chaque itération du processus de la recherche, les particules se déplacent en fonction
des équations (2.11) et (2.12). Le processus est répété jusqu’à la satisfaction du critère
d’arrêt.

[Link] Algorithme des sauts de grenouilles (SFLA)

L’algorithme des sauts de grenouille est un algorithme basé sur la méta-heuristique

mémétique. Cet algorithme connu sous son appellation anglophone SFLA (Shuffled
Frog-Leaping algorithm), il a été proposé et développé par Eusuff et Lansey [80, 81]
pour résoudre des problèmes d'optimisation combinatoire. L’algorithme SFLA est un
algorithme de recherche coopérative basé sur la population. Il combine les avantages de
l'algorithme d'évolution mémétique et de l'optimisation par essaims de particules (PSO).
Il se compose d'un ensemble de grenouilles (chacune représente une solution au
problème) partitionnées en différent groupes appelés mèmeplexes [50], et qui évoluent
indépendamment pour parcourir l'espace des solutions dans les différentes directions.
Les grenouilles peuvent communiquer entre elles et améliorer leurs solutions par
contamination (passant l'information). L'algorithme contient des éléments de recherche
locale effectuée dans chaque groupe avec un échange d’information globale.
L’information entre les différents mèmeplexes circule par l’intermédiaire d’un
processus de saut. Au début, les individus initiaux de la population P sont produits de
façon aléatoire (voir les étapes décrites ci-dessous). Supposons que la population initiale
est constituée de F grenouilles définie aléatoirement dans l’espace ( X i , i = 1, 2,....., F ) .
L’adaptabilité (fitness) f ( i ) de la i ème grenouille représente la valeur de la fonction
objectif (fitness). Toutes les grenouilles sont triées dans un ordre décroissant selon la
fonction objectif (fitness), et sont divisées en m mèmeplexes contenant chacune n
grenouilles (F = m × n), de telle manière que la première grenouille appartient au
premier mèmeplexe, la deuxième grenouille est affectée au deuxième mèmeplexe etc.

46
Chapitre 2 Algorithmes d’optimisation : État de l’art

Dans chaque mèmeplexe, les grenouilles fournissant la meilleure solution Xb et la plus

mauvaise Xw. La grenouille donnant la meilleure solution dans la population entière est
notée par Xg. Les étapes de l’algorithme général SFLA sont présentées comme suit :

Etape 1 : Initialisation Pour N itération

Taille de la population (P) Déterminer Xw et Xb
Nombre de mèmeplexes (N) Mise à jour de X w
Nombre d’itération Appliquer l’équation (2.14)
Etape 2 :
Si f ( X w' ) < f ( X w )
Générer P aléatoirement
Evaluer chaque solution X w = X w'
Etape 3 : Sinon
Trier P par ordre décroissant Appliquer l’équation (2.16)
Enregistrer la meilleure position Xg
Si f ( X w' ) < f ( X w )
Etape 4 :
Partitionner P en m mèmeplexes X w = X w'
Etape 5 : Sinon
Recherche local Appliquer l’équation (2.17)
Etape 6 : Fin Si
Regrouper les m mèmeplexes Fin Si
Etape 7 : Fin Pour
Aller à l’étape 3 si le critère d’arrêt n’est
pas atteint.

Pendant l'évolution d’un mèmeplexe, c.-à-d., pendant l'exploration locale, la plus

mauvaise grenouille Xw effectue un saut vers la meilleure Xb selon la règle suivante
(figure 2.6) [47] :

S = rand ( .) . ( X b − X w ) ( 0 < rand < 1) (2.13)

X w ( nouveau ) = X w + S ( − Smax ≤ S ≤ Smax ) (2.14)

Où S représente la valeur du saut, Smax est le saut maximal autorisé et rand(.) est un
nombre aléatoire compris entre 0 et 1.

Xw
Xb

O
Xw (nouveau)

Figure 2.6 Règle du saut de grenouille (frog leaping).

47
Chapitre 2 Algorithmes d’optimisation : État de l’art

Si le saut produit une meilleure solution, alors cette solution Xw (nouveau) remplace la
plus mauvaise Xw. Sinon, on applique la même règle en remplaçant cette fois Xb par la
solution globale Xg :

S = rand (.) . ( X g − X w ) ( 0 < rand < 1) (2.15)

X w ( nouveau ) = X w + S ( − Smax ≤ S ≤ Smax ) (2.16)

Si la nouvelle solution reste moins bonne que Xw, on génère aléatoirement une autre
solution qui remplace Xw :
X w ( nouveau ) = X min + rand (.) . ( X max − X min ) (2.17)

Où Xmax et Xmin représentent le saut maximal et minimal autorisé.

Afin d'assurer l'exploration globale, les mèmeplexes sont mélangés et réorganisés à

nouveaux pour former une nouvelle population, ce mécanisme est répété jusqu'à
satisfaire un critère d’arrêt.

[Link] Algorithme d’optimisation de recherche dirigé (DSO)

L'algorithme d'optimisation de recherche dirigé a été proposé en 2011 par Zou et al [82].
L'algorithme DSO comprend deux opérations importantes: la mise à jour de position et
la mutation génétique. La première opération pour améliorer la convergence du DSO.
La deuxième opération pour améliorer la capacité de s'échapper de l'optimum local. De
plus, l'algorithme adopte une fonction de pénalité pour équilibrer les violations
d'objectifs et de contraintes [82]. Pour mettre à jour la position, l'algorithme DSO utilise
six paramètres. Elles sont:
• Taille de la population ( PS )
• Nombre maximal d'itérations ( K )
• Probabilité de transfert ( pα )
• Coefficient avant (α )
• Coefficient arrière ( β )
• Probabilité de mutation génétique ( pm ) .
Les six paramètres de l'algorithme sont initialisés à l'étape 1 (voir les étapes décrites ci-
dessous). Pour générer la population initiale, une distribution uniforme est choisie dans
l’intervalle [xiL, xiU] (i = 1,2, ...., N), comme indiqué dans l’équation (2.18):

 x11 x12 ... x1N 

 2 
x x22 ... xN2 
Pop =  1 (2.18)
 ⋮ ⋮ ⋮ ⋮ 
 P 
 x1
s
x2P
S
... xNP 
S

Où xij est le ième (i = 1, 2,…,N) composant du jème (j = 1, 2, ….,PS) vecteur de

solution. xiL et xiU sont la limite inférieure et la limite supérieure de la composante de
position, respectivement. Les étapes de l’algorithme DSO sont présentées comme suit :

48
Chapitre 2 Algorithmes d’optimisation : État de l’art

Etape 1 : Initialisation Pour j ∈ [1, PS ] et j ≠ jg Faire

Taille de la population (PS)
Nombre maximal d’itérations (K) Pour i ∈ [1, N] Faire
Probabilité de transfert (pα) Si rand ( ) < pα
Coefficient avant (α)
Coefficient arrière (β) {
xv = xij ( k ) + (1 + α ) × xijg ( k ) − xij ( k ) }
Probabilité de mutation génétique (pm) xij ( k + 1) = xij ( k ) + r × ( xv − xij ( k ) )
Etape 2 :
Générer une population (PS) par une Sinon
distribution uniforme donnée par {
xs = xij ( k ) − β × xijg ( k ) − xij ( k ) }
l’équation (2.18)
Etape 3 : xij ( k + 1) = xij ( k ) + r × ( xs − xij ( k ) )
Utiliser les deux opérations : mise à jour Fin Si
de position et mutation génétique, pour Si rand ( ) < pm
améliorer les mauvaises positions.
xij ( k + 1) = xiL + r × ( xiU − xiL )
Etape 4 :
Aller à l’étape 3 si le critère d’arrêt n’est Fin Si
pas atteint. Fin Pour
Fin Pour

La position est mise à jour comme indiqué sur la figure 2.7. La région avant est
sélectionnée comme principale région de recherche qui est en fait une région proche
j j
du xi g ( k ) . Dans cette région xij ( k ) est située à P, xi g ( k ) est située à Q et xv est située
à V, qui est sur la ligne d'extension avant du segment PQ. La mise à jour de la position
xij ( k ) est déterminée par le paramètre ( pα ) : s’il est satisfait, la région avant sera le
choix approprié, sinon la région arrière est considérée.
Dans la région arrière, xs est située à S, qui est sur la ligne d'extension arrière du
segment PQ. La région arrière est une région supplémentaire, et elle permet de ralentir
la vitesse de convergence de l'algorithme DSO, ce qui est bénéfique pour éviter la
convergence prématurée du DSO. L'étape d'adaptation donnée dans l'équation 2.19
ajusté dynamiquement pour maintenir un équilibre entre la recherche globale et la
recherche locale de l'algorithme DSO.
jg
stepij ( k ) = xi ( k ) − xij ( k ) (2.19)

Région arrière Région avant

j
step ( k )
i
a ×stepij ( k )
j
β ×step ( k )
i
P Q
S V
j
xs xij ( k ) xi g ( k ) xv

Figure 2.7 Mise à jour de position.

49
Chapitre 2 Algorithmes d’optimisation : État de l’art

La mutation génétique est également une opération efficace et nécessaire de l'étape 3,

car elle peut augmenter la diversité des individus, ce qui peut effectivement améliorer la
performance du DSO en empêchant la convergence prématurée vers les minima locaux.

2.5 CONCLUSION
Nous avons présenté dans ce chapitre les définitions générales des méthodes
d’optimisation qui se divisent en deux grandes classes : les méthodes déterministes et
les méthodes non déterministes. Lorsque l’évolution de la méthode de résolution est
prévisible et ne laisse aucune place au hasard, celle-ci est qualifiée de déterministe. Les
méthodes déterministes s’appuient sur une direction de recherche qui peut être fournie
par les dérivées de la fonction objectif. Ces méthodes ont la réputation d’être efficaces
lorsque la solution initiale est proche de l’optimum recherché. Les méthodes non-
déterministes ont comme caractéristiques communes leurs caractères stochastiques,
c.à.d. qu’une partie de la recherche est conduit de façon aléatoire. Une famille de ces
méthodes d’optimisation a été présentée : les méta-heuristiques. Les méta-heuristiques
sont des méthodes stochastiques qui visent à résoudre un large panel de problèmes, sans
pour autant que l’utilisateur ait à modifier leur structure. Ces méthodes sont inspirées
d’analogies avec des domaines aussi variés que la physique, la génétique ou encore
l’éthologie.

50
 CHAPITRE 3
TECHNIQUES D’EGALISATION

3.1 INTRODUCTION

La transmission d’un signal numérique à travers un canal de transmission conduit à

l’ajout de bruit (dégradation du rapport signal à bruit) et à une distorsion due aux
limitations de la bande passante du canal (qui provoque le phénomène d’interférences
entre symboles). La présence inévitable de bruit et d’interférences entre symboles
introduit des erreurs dans le dispositif de décision. Si le canal de transmission avait une
atténuation constante et un déphasage linéaire sur la bande du signal, il ne modifierait
pas la forme des impulsions émises et le récepteur recevrait tout simplement une version
bruitée du signal émis. En pratique, ces deux conditions ne sont que très rarement
vérifiées et la réponse du canal a besoin d’être égalisée pour éliminer la distorsion du
signal reçu. Dans ce chapitre nous présentons une étude des techniques d’égalisation
permettant d’annuler la distorsion provoquée par le canal en annulant ses effets
parasites. Dans un premier temps, nous présentons les principales structures d'égaliseur
puis, nous comparons leurs performances respectives à partir d’un canal linéaire et non-
linéaire à phase non minimale.

3.2 PRINCIPE DE L’EGALISATION

L’égalisation est une procédure qui est utilisée par les récepteurs des systèmes de
communications numériques afin de réduire l’effet d’interférence entre symboles (IES)
due à la propagation du signal modulé à travers le canal. Pour empêcher une
dégradation sévère des performances, il est nécessaire de compenser la distorsion du
canal. Cette compensation est effectuée par un filtre adaptatif (figure 3.1).

x (k ) r (k ) y (k )
Canal inconnu Filtre adaptatif
−
e(k )
∑
+
d (k )
Retard

Figure 3.1 : Compensation de la distorsion par un filtre adaptatif.

Chapitre 3 Techniques d’égalisation

Une chaîne de transmission numérique, en présence d'égalisation, peut être représentée

par le schéma de principe de la figure 3.2.
Bruit

Source Codage Modulation Canal

Destinataire Décodage Egalisation Démodulation

Figure 3.2 : Chaîne de transmission en présence d'égalisation.

L’ensemble modulateur, milieu de transmission, démodulateur est modélisé par un canal

discret équivalent de réponse H(z) [24]. Cette modélisation correspond au cas où les
données x[k] sont émises tous les Ts secondes et le signal reçu en sortie du
démodulateur est échantillonné à la fréquence 1/Ts. la quantité Ts est appelée la durée
symbole et 1/Ts représente la rapidité de modulation.
Le canal discret équivalent est défini par les L+1 coefficients non nuls h[i], de sa
réponse impulsionnelle, ces coefficients seront supposés constants. On définit alors
classiquement la transformée en z de cette réponse impulsionnelle comme :
L
H ( z ) =  h [i ]z − i (3.1)
i=0

Le canal est perturbé par un bruit blanc additif, dont échantillons v[k] sont centrés,
gaussiens et de variance σ w2 .

{
σ w2 = E v [ k ]
2
} (3.2)

On supposera de plus qu’il est alimenté par des symboles x[k] centrés, mutuellement
indépendants et de variance σ d2 normalisée.

{
σ x2 = E x [ k ]
2
} =1 (3.3)

Ainsi, la sortie bruitée r[k] du canal discret équivalent peut s’écrire sous la forme :
L
r [ k ] =  h [i ]x [ k − i ] + v [ k ] (3.4)
i =0

Le rapport signal à bruit (SNR : Signal-to-Noise Radio) à l'entrée de l'égaliseur, défini

comme le rapport entre la puissance du signal reçu non bruité et la puissance du bruit
v[k] est donc égal à :

 L 2

E   h [i ]x [ k − i ] 
SNR =  i = 0  (3.5)
{
E v [k ]
2
}
52
Chapitre 3 Techniques d’égalisation

L'objet de la fonction d'égalisation est de permettre de retrouver à partir de la séquence

reçue r[k], présentant de l'interférence entre symboles (IES) introduite par la sélectivité
du canal, la séquence émise x[k].
En principe, si le canal est parfaitement connue, il est possible en théorie de minimiser
ou même d’annuler l’IES complètement, en utilisant une paire de filtres d’émission et
de réception, de telle sorte que la chaîne complète de transmission forme un canal de
Nyquist. Si les filtres d’émission et de réception sont fixés, le rôle de l’égaliseur est
simplement de compenser la réponse du canal. Cascader le filtre adaptatif avec le canal
(système inconnu) fait converger le filtre adaptatif à une solution qui est l’inverse du
canal. Si la fonction de transfert du canal est H(z) et la fonction de transfert du filtre
adaptatif est E(z) (figure 3.1), l’erreur à mesurer entre le signal désiré et le signal du
système cascadé atteint son minimum quand le produit de H(z) et E(z) égale 1. Pour que
cette relation soit vraie, E(z) doit égale à l’inverse de la fonction de transfert du canal.
1
E ( z) = (3.6)
H ( z)

En pratique, la réponse du canal est en général inconnue. On ne connaît que très

rarement les caractéristiques du canal. En outre, le canal peut ne pas être stationnaire,
c’est-à-dire que ses caractéristiques varient au cours du temps. L’exemple type est le
canal hertzien, qui est fortement non stationnaire. Ces effets conduisent à maintenir une
interférence entre symbole résiduelle et variable dans le temps qu’il faut compenser à
l’aide d’un filtrage adaptatif capable de s’adapter au canal et de poursuivre ses
variations temporelles.
Pour combattre l'effet de l’interférence entre symboles, deux techniques peuvent être
employées.

 Une première technique, appelée détection suivant la séquence la plus

vraisemblable [83] (MLSE : Maximum Likelihood Sequence Estimation) qui
donne d'excellents résultats sous réserve que le canal soit connu ou bien estimé
[1]. La mise en œuvre de cette technique est généralement réalisée en utilisant
l'algorithme de Viterbi. Celui-ci permet de sélectionner dans un treillis le chemin
de métrique la plus faible, où la métrique est une mesure cumulée, mise à jour de
nœud en nœud. Toutefois lorsque la durée de la réponse impulsionnelle du canal
est importante et/ou lorsque l'on utilise des modulations à grand nombre d'états,
cette technique nécessite un volume de calcul qui devient rapidement prohibitif.
 Une seconde technique, appelée égalisation, consiste à inverser la réponse du
canal. Les égaliseurs linéaires (LE : Linear Equalizer) et les égaliseurs à retour de
décisions (DFE : Decision-Feedback Equalizer) sont les plus régulièrement
employés. L'égalisation linéaire est largement utilisée pour les canaux de type
téléphonique. Cependant sur les canaux présentant de sévères distorsions
d'amplitude, un égaliseur linéaire donne des résultats assez médiocres du fait qu'il
rehausse le bruit aux fréquences présentant de fortes atténuations. Au contraire, le
DFE possède des performances proches du récepteur optimal (MLSE) pour une
large classe de canaux lorsque le bruit est faible [40].

53
Chapitre 3 Techniques d’égalisation

Les égaliseurs de type LE, DFE possèdent l'avantage d'être assez simples à mettre en
œuvre car ils sont composés de filtres numériques à coefficients complexes.
Pour l’optimisation des coefficients d’égaliseur, il existe essentiellement deux critères :
 Le premier critère consiste à forcer la réponse impulsionnelle du couple canal /
égaliseur à zéro, cette approche d’égalisation est appelée forçage à zéro (ZF : Zero
Forcing). Cette approche tente d’inverser exactement la fonction de transfert du
canal, ce qui est a priori précisément le but recherché. On a ainsi E(z) = 1/H(z),
on peut s’apercevoir que cette approche souffre de deux défauts[23] : d’abord,
H(z) peut posséder des zéros de module supérieur à 1, ce qui induit des pôles
instable pour E(z), si celui-ci doit être causal, d’autre part, si h(n) est une réponse
impulsionnelle finie, alors e(n) est à réponse impulsionnelle infinie.
Considérons un seul bloc équivalent au canal discret et à l’égaliseur. Il est
représenté par sa réponse impulsionnelle q(n) telle que :

q ( n ) =  e ( i ) h( n − i ) (3.7)
i

A la sortie de l’égaliseur on peut donc écrire :

y ( k ) = q0 d k +  d n q ( n − k ) +  en .wɶ ( k − n ) (3.8)
n≠ k n

On retrouve trois termes : le signal utile, le terme d’IES et le terme de bruit en

sortie du filtre égaliseur. La distorsion maximale est la valeur maximale du terme
d’IES, et cette valeur de distorsion dépond des coefficients de l’égaliseur pour un
canal donné. Donc, s’il est possible de choisir les coefficients de telle sorte que ce
terme de distorsion soit nul, on aura éliminé l’IES. Cette condition recherchée
(c’est le critère ZF) s’écrit [84] :
1 n = 0
q ( n ) =  e ( i ) h( n − i ) =  (3.9)
i 0 n ≠ 0
On peut remarquer que le bruit est négligé dans le développement du critère ZF.
En pratique, le bruit est cependant toujours présent et bien que les termes d’IES
soient éliminés, il y a des chances que le filtre égaliseur amplifie l’effet du bruit et
donc dégrade les performances. En effet, la fonction de transfert du canal est en
général de type passe-bas, et son inverse est de type passe haut. Lorsque le bruit
est large bande, il s’en suit une forte augmentation du bruit en haute fréquence et
une dégradation du rapport signal-à-bruit [23]. L’annulation des interférences
entre symboles par le critère ZF se fait généralement au prix d’une augmentation
sensible du niveau de bruit.
 Le second critère consiste à adapter les coefficients de l’égaliseur par la
minimisation de l’erreur quadratique moyenne entre la séquence égalisée et la
séquence désirée. Cette approche est appelée erreur quadratique moyenne (EQM
ou MSE : Mean Square Error). Le bruit est ainsi pris en compte dans le critère.
L’égalisation obtenue par cette approche est de meilleure qualité que celle fournie

54
Chapitre 3 Techniques d’égalisation

par un Zero Forcing, en raison de la prise en compte effective du bruit. Par

ailleurs, pour la mise en œuvre pratique, il est nécessaire de connaitre la séquence
désirée. Pour ce faire, on utilise une séquence connue du récepteur (séquence
d’apprentissage), pour calculer les coefficients du filtre. La nécessité d’inclure
dans l’émission une séquence d’apprentissage, éventuellement répétée
périodiquement si le système est non stationnaire, limite en outre le débit en
données utiles. Nous nous limiterons dans ce chapitre à l'étude des égaliseurs
selon le critère de la minimisation de l'EQM qui semble être le plus performant
lorsque le canal est bruité.

3.3 PRINCIPALES STRUCTURES D’EGALISEURS

Le premier rôle de l’égalisation dans les systèmes de communication est d’annuler
l’effet du canal sur le signal porteur d’information. Les techniques d'égalisation se
divisent en deux grandes catégories: linéaires et non linéaires (selon le type de canal que
nous avons). Les techniques linéaires sont généralement les plus simples à mettre en
œuvre. Cependant, les performances de ces techniques dégradent remarquablement
lorsque les conditions de propagation se dégradent [1], et ne sont donc pas utilisées dans
la plupart des applications sans fil. Parmi les techniques d'égalisation non linéaire,
l’égaliseur à retour de décision (DFE) est le plus populaire, car il est simple à mettre en
œuvre et présente généralement des bons résultats pour les canaux sévèrement dégradés.
Toutefois, sur les canaux à faible SNR, le DFE souffre de la propagation d'erreur
lorsque les bits sont décodés faussement, conduisant à des performances médiocres. La
technique d'égalisation optimale est l'estimation de séquence au sens du maximum de
vraisemblance (MLSE, pour Maximum Likelihood Sequence Estimation).
Malheureusement, la complexité de cette technique se développe de façon exponentielle
avec la longueur du canal, elle est donc inutilisée sur la plupart des canaux d'intérêt.
Toutefois, la performance du MLSE est souvent utilisée comme une borne supérieure
pour les autres techniques d'égalisation.
Dans cette section, nous présentons les structures d’égaliseurs : l’égaliseur linéaire (LE,
pour Linear Equalizer) et l’égaliseur à retour de décision (DFE, pour Decision Feedback
Equalizer).

3.3.1 Egaliseur transverse ou linéaire (LE)

L’égaliseur linéaire est le plus simple à mettre en œuvre. Il s’agit de simple filtre
numérique linéaire à réponse impulsionnelle finie (FIR) (figure 3.4). Ce filtre non
récursif présent l’avantage de ne pas présenter de boucles de contre réaction et donc
d’être toujours stable. La figure 3.3, illustre le principe de l’égaliseur linéaire dans un
système de réception en communication numérique.
x(k) r(k) y(k) ŷ ( k )
H(z) ∑ C(z)

Canal Egaliseur
v(k)

Figure 3.3 : Egaliseur linéaire (LE).

55
Chapitre 3 Techniques d’égalisation

La sortie bruitée du canal r(k) se présente à l’entrée de l’égaliseur et peut être

déterminée par une convolution discrète entre le signal transmit et la réponse
impulsionnelle du canal, additionné au bruit comme suit :
N
r (k ) =  hi x ( k − i ) + v ( k ) (3.10)
i =0

Ou d’une façon équivalente par :

r [ k ] = Hx [ k ] + v [ k ] (3.11)
T
Où r [ k ] = [ rk rk -1 … rk -N ] : est le vecteur des observations bruitées.
T
x [ k ] = [ xk xk -1 … xk -M - N ] : est le vecteur à l’entrée du canal.
T
v [ k ] = [ vk vk -1 … vk - N ] : est le vecteur d’échantillons du bruit.
H : la matrice de convolution du canal de dimension ( N + 1) × ( M + N + 2 )

r (k ) r ( k − 1)
Z −1 Z −1 Z −1

c0 c1 cN − 2 c N −1

y(k )
∑

Figure 3.4 : Structure de l’égaliseur linéaire (LE).

L’équation (3.11) peut être représentée sous forme matricielle comme suite :
 rk   h0 h1 h2 ⋯ hM 0 ⋯ 0   xk   vk 
r  0 h0 h1 ⋯ hM -1 hM ⋯ 0   xk -1   vk -1 
 k -1  =  . + (3.12)
 ⋮  ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋱ ⋮   ⋮   ⋮ 
       
 rk -N   0 0 0 ⋯ h0 h1 ⋯ hM   xk -M -N  vk -N 
Le rôle de l’égaliseur est d’utiliser le vecteur d’observations bruitées r[k] qui se
présente à son entrée, pour estimer la séquence de symboles émise x[k] .
L’égaliseur est décrit par ses N coefficients représentés par le vecteur:
T
C = [ c0 c1 … cN -1 ]
La sortie de l’égaliseur au temps k peut être exprimée en fonction de ces coefficients et
du signal reçu comme suit :
N −1
y (k ) =  ci r ( k − i ) (3.13)
i =0

Où ci est la réponse impulsionnelle de l’égaliseur, de longueur N, r(k) est la séquence

d’observations, et y(k) la sortie de l’égaliseur.
Pour l’optimisation des coefficients de l’égaliseur, Le critère d’optimisation le plus
utilisé est celui de l’erreur quadratique moyenne entre la séquence d’entrée (symboles)
et la séquence estimée à la sortie de l’égaliseur.

56
Chapitre 3 Techniques d’égalisation

Cette erreur est donnée par :

e( k ) = y ( k ) − x ( k ) (3.14)

L’erreur quadratique moyenne (EQM) s’exprime par [23] :

J MSE = E  e ( k ) 
2
(3.15)
 
L’égaliseur transverse reste souvent de qualité médiocre, en particulier en présence
d’évanouissements sélectifs (non stationnarités). Ceci est également lié à la structure
transverse (pas de pôles) qui limite la capacité de représentation d’une réponse
quelconque.

3.3.2 Egalisation à retour de décision (DFE)

L’égaliseur à retour de décision (DFE), est un égaliseur très utilisé pour les canaux
présentant de sévères distorsions. L’égaliseur DFE, représenté sur la figure 3.5, est
constitué de deux filtres, un filtre direct et un filtre de retour. L’entrée du filtre direct est
la séquence des symboles reçus r(k). Le filtre de retour a comme entrée la séquence des
décisions sur les symboles préalablement détectés. Il s’agit de prolonger l’idée d’avoir
un égaliseur piloté par les décisions, ce qui permet d’éviter une répétition de séquences
d’apprentissage, tout en utilisant une structure récursive [23].

x(k) r(k) y(k) z(k) x̂ ( k )

H(z) ∑ C(z) ∑
Canal Filtre direct
v(k) B(z)

Filtre de retour

Figure 3.5 Egaliseur à retour de décision (DFE).

Le filtre direct est tout simplement un filtre linéaire tel que mentionné précédemment et
le filtre de retour est utilisé pour éliminer l’interférence entre symboles de l’estimation
courante causée par l’estimation précédente [1]. Le DFE repose sur l’idée que si la
valeur du symbole déjà détecté est considérée comme correcte, alors l’interférence entre
symboles due à la contribution de ce symbole peut être éliminée. La valeur de ce
symbole est soustraite avec une pondération appropriée de la sortie de l’égaliseur.
Lorsqu’une décision est incorrecte, une erreur est produite, celle-ci se propage aux
autres symboles jusqu’à ce que le futur échantillon compense cette erreur. Ce
phénomène de propagation de l’erreur n’est pas catastrophique pour le DFE [2].
A partir de la définition de l’égaliseur DFE, sa sortie est la somme des sorties de la
partie directe et de celle de retour (figure 3.6). La sortie de l’égaliseur DFE est donnée
par :
N −1 M
z ( k ) =  ci r ( k − i ) +  b j xˆ ( k − j ) (3.16)
i=0 j =1

57
Chapitre 3 Techniques d’égalisation

L’équation (3.16) s’écrit en notation vectorielle comme suit :

z [ k ] = cT r [ k ] + bT xˆ [ k ] (3.17)
T
Où c = [ c0 c1 … cN -1 ] : est le vecteur des coefficients du filtre directe.
T
b = [b1 b2 … bM ] : est le vecteur des coefficients du filtre retour.
T
r [ k ] = [ rk rk -1 … rk - N+1 ] : est le vecteur des observations bruitées.
T
xˆ [ k ] = [ xˆk -1 xˆk -2 … xˆk -M ] : est le vecteur des symboles estimés.

r (k ) r ( k − 1)
Z −1 Z −1 Z −1

c0 c1 cN − 2 c N −1

y(k ) z (k ) x̂ ( k )
∑

bM bM −1 b2 b1

Z −1 Z −1 Z −1

Figure 3.6 : Structure de l’égaliseur à retour de décision (DFE).

Les coefficients du filtre direct et ceux du filtre de retour peuvent être ajustés
simultanément pour minimiser le critère de l’erreur quadratique moyenne (EQM).
3.4 ESTIMATION DU CANAL
En pratique, les caractéristiques du canal ne sont jamais parfaitement connues, ce qui
peut limiter l’efficacité de certaines méthodes d’égalisation, qui supposent un canal
stationnaire et requièrent une estimation de la fonction de transfert ou la réponse
impulsionnelle du canal. La fonction de transfert de l’égaliseur est créée à partir d’une
estimation des paramètres du canal. Dans ce cas, il est possible d’avoir des paramètres
d’égalisation variables dans le temps. Il est alors nécessaire de réactualiser
régulièrement l’estimation de la fonction de transfert du canal et remettre à jour les
paramètres de l’égaliseur. Le récepteur est donc doté d’un algorithme qui adapte les
coefficients de l’égaliseur. Ces paramètres peuvent être calculés à partir d’une séquence
de données connues du transmetteur et du récepteur appelée séquence d’apprentissage
(figure 3.7) ou de façon autodidacte par un retour statistique sur la sortie de l’égaliseur.
De ce fait, il est nécessaire de définir des algorithmes adaptatifs qui peuvent suivre
l'évolution du canal et qui convergent vers la solution optimale recherchée, dans notre
cas celle de la minimisation de l'EQM, il existe deux grandes familles d’algorithmes
d’adaptation : l’algorithme des moindres carrés moyens (LMS: Least Mean Square) et
l’algorithme des moindres carrés récursifs (RLS: Recursive Least Square).

58
Chapitre 3 Techniques d’égalisation

Source
2
y (k )
Modulation Canal Démodulation Egaliseur
1
1
Apprentissage
Apprentissage

Figure 3.7 : Egaliseur adaptatif avec période d’apprentissage.

L’algorithme LMS est largement utilisé pour sa simplicité de mise en œuvre et pour sa
stabilité numérique, et l’algorithme RLS est connu par sa bonne rapidité de convergence
initiale. Ces deux algorithmes d’adaptation sont commandés par une prédiction d’erreur.
Cette erreur est déterminée par la comparaison de la sortie de l’égaliseur avec la valeur
désirée à chaque itération de l’algorithme. Pour la mise en œuvre pratique, il est
nécessaire de connaitre le symbole désiré [23]. Pour cette raison, ces algorithmes
d’adaptation utilisent une séquence d’apprentissage (séquence de données de durée
limitée connue au récepteur) pour favoriser la convergence.
La mise en œuvre de l’algorithme se fait suivant deux modes opératoires (figure 3.8) :

 Un mode supervisé, où la séquence transmis (symboles) est connue

(apprentissage). Le calcul de y(k) ne sert alors qu’à adapter le filtre, jusqu’à
convergence. La période durant laquelle l’algorithme utilise les symboles de la
séquence d’apprentissage s’appelle période d’apprentissage. Après cette période
d’apprentissage l’égaliseur passe au mode opérationnel.
 Un mode opérationnel : la sortie de l’égaliseur y(k) sert alors à
estimer : xˆ ( k ) = dec ( y ( k ) ) = yˆ ( k ) , où ‘dec’ indique que l’on prend la décision sur
y(k). L’erreur est alors maintenant calculée à partir des décisions. Durant cette
période, les données décidées présentent un taux d’erreur faible si la période
d’apprentissage était suffisante pour la convergence des coefficients vers la
solution recherchée.

r (k ) y (k ) Circuit de ŷ ( k ) x (k )
Egaliseur Séquence
décision d’apprentissage

+ -
e(k )

Figure 3.8 : Egaliseur adaptatif piloté par les décisions.

59
Chapitre 3 Techniques d’égalisation

3.4.1 Algorithme des moindres carrés moyens (LMS)

Notre but c’est de déterminer les coefficients optimums de l’égaliseur qui minimisent un
certain critère d’erreur. Quand un symbole est transmis le mieux qu’on puisse espérer
c’est que la sortie égalisée soit une version retardée du symbole considéré, autrement
dit : y(k)=x(k-d), d étant le retard. Un critère standard pour déterminer les coefficients
optimums de l’égaliseur est la minimisation de l’erreur quadratique moyenne (MSE).
L’algorithme LMS est un choix populaire dans beaucoup d’applications exigeant le
filtrage adaptatif. En outre, il y a plusieurs variantes de l’algorithme qui peuvent être
employées spécifiquement afin de résoudre différents types de problèmes qui sont
inhérents à certaines applications (DLMS : Delayed LMS, FXLMS : Filtered-X LMS,
ADJLMS : Adjoint LMS, NLMS : Normalized LMS, BLMS : Block LMS, BLMS
FFT : Block LMS (FFT)…). La version de base du LMS est un cas spécial du filtre
adaptatif du gradient descendant (steepest descent) bien connu [17]. Le but de cette
technique est de réduire au minimum une fonction de cout quadratique en mettant à jour
itérativement des poids de sorte qu’ils convergent à la solution optimale.
[Link] Adaptation de l’égaliseur linéaire (LE)
Soit une fonction de coût JMSE qu’on cherche à minimiser et qui dépond des coefficients
de l’égaliseur. Cette fonction est minimale lorsque son gradient par rapport au vecteur
des coefficients est nul.

J MSE = E  e ( k )  = E  y ( k ) − x ( k − d ) 
2 2
(3.18)
   
N −1
Avec : y (k ) =  ci r ( k − i ) = cT r ( k ) (3.19)
i =0

Où : cT = [ c0 c1 … cN −1 ] : est le vecteur des coefficients de l’égaliseur.

T
r ( k ) = [ rk rk −1 … rk − N +1 ] : est le vecteur des observations bruitées.
En considérant l’équation (3.19), l’expression de l’équation (3.18) devient :

J MSE = E  cT r ( k ) − x ( k − d ) 
2
(3.20)
 
Le gradient de JMSE par rapport aux coefficients de l’égaliseur est donné par :
∂J MSE
= 2 E  r ( k ) ( cT r ( k ) − x ( k − d ) )  = 0 (3.21)
∂c

E  r ( k ) r ( k )  c = E  r ( k ) x ( k − d ) 
T
Soit : (3.22)
 

Ryy = E  r ( k ) r ( k )  est la matrice de corrélation de r(k) et

T
Sachant que
 
ρ rx = E  r ( k ) x ( k − d )  est le vecteur d’intercorrélation entre r(k) et x(k-d).

En remplaçant chaque expression par sa valeur, on obtient :

Ryy c = ρ rx (3.23)

60
Chapitre 3 Techniques d’égalisation

La solution optimale est obtenue en annulant l’équation (3.23). Les coefficients de

l’égaliseur sont déterminés comme suit :
c = Ryy−1 ρ rx (3.24)

Cette solution nécessite l’inversion de la matrice corrélation de Ryy, comme alternative

une procédure itérative qui évite l’inversion directe de la matrice peut être utilisée. La
plus simple procédure et la plus populaire est l’utilisation de l’algorithme des moindres
carrées LMS qui est très utilisé pour l’adaptation des égaliseurs [21, 83, 2].
L’algorithme LMS permet une adaptation itérative des coefficients de l’égaliseur en
minimisant le critère de l’erreur quadratique moyenne.
Les coefficients de l’égaliseur sont donnés par :
∂J MSE
c ( k ) = c ( k − 1) − µ = c ( k − 1) − µ ( cRyy − ρ rx ) (3.25)
∂c
Où µ est une constante positive (pas d’adaptation).
La matrice de corrélation Ryy et le vecteur d’intercorrélation ρ rx sont des valeurs
d’espérance qui peuvent être rapprochés par leurs évaluations instantanées soient :
T
Ryy = Rˆ yy = r ( k ) r ( k ) et ρ rx = ρˆ rx = r ( k ) x ( k − d ) . En tenant compte de ces
expressions et des équations (3.25) et (3.19) on obtient :

c ( k ) = c ( k − 1) − µ r ( k )  y ( k ) − x ( k − d )  (3.26)

L’algorithme devient alors simplement :

c ( k ) = c ( k − 1) + µ r ( k ) ε ( k )
 T
(3.27)
ε ( k ) = x ( k − d ) − c ( k − 1) r ( k )

T
On notera que c ( k − 1) r ( k ) est simplement la sortie du filtre adaptatif à l’instant k.
Cet algorithme permet donc, à chaque instant, de remettre à jour les coefficients du
filtre, proportionnellement à l’erreur d’estimation ɛ(k). En cas de variations des
caractéristiques du canal, l’égaliseur sera donc capable de s’adapter à celles-ci, et ce
d’autant plus rapidement que µ est grand. En contrepartie, plus µ est grand, plus les
variations liées au bruit d’observation induiront une variabilité sur les estimées c(k)[23].
En contre partie, le choix d’un pas d’adaptation µ petit a pour effet de ralentir la vitesse
de convergence, et de ce fait le choix de la valeur du pas doit être un compromis entre la
vitesse de convergence et la performance de l’égaliseur.
Quand l’égaliseur est en mode opérationnel, le symbole décidé xˆ ( k − 1) = dec  y ( k ) 
est utilisé à la place de x(k-d).

61
Chapitre 3 Techniques d’égalisation

[Link] Adaptation de l’égaliseur DFE

L’algorithme des moindre carrée LMS est aussi utilisé pour adapter l’égaliseur DFE.
Posons ainsi :

a k = c k c k ....c 
T
c ( k )T b ( k )T 
T

 ( )  0 ( ) 1 ( ) N −1 ( k ) b1 ( k ) b2 ( k ) ....bM ( k )  =
 
 T
(3.28)
 s ( k ) =  r ( k ) r ( k − 1) ....r ( k − N + 1) xˆ ( k − 1) ....xˆ ( k − M )  =  r ( k )T xˆ ( k )T 
    
Où : a(k) est le vecteur de la combinaison des coefficients de la partie directe et celle de retour.
s(k) est le vecteur de la combinaison des échantillons à l’entrée des deux filtres.
A l’aide de ces notations, l’erreur ε ( k ) s’écrit ε ( k ) = x ( k − d ) − z ( k ) , en mode
apprentissage, et ε ( k ) = xˆ ( k ) − z ( k ) , en mode opérationnel (voir figure 3.5).

L’algorithme LMS s’écrit alors :

a ( k ) = a ( k − 1) + µ s ( k ) ε ( k ) (3.29)

T T
Avec z ( k ) = c ( k ) r ( k ) + b ( k ) xˆ ( k ) (3.30)

Ou plus explicitement, les coefficients des filtres direct et de retour sont donnés par :

c ( k ) = c ( k − 1) + µ r ( k ) ε ( k )
 (3.31)
b ( k ) = b ( k − 1) + µ xˆ ( k ) ε ( k )

Lors de la mise en œuvre, on utilisera une période d’apprentissage, au cours de laquelle

on prendra les symboles connus pour x̂ ( k ) , x̂ ( k ) = x ( k − d ) , puis on basculera en mode
opérationnel, en remplaçant la séquence d’apprentissage par les décision,
xˆ ( k ) = dec ( z ( k ) ) .

3.4.2 Algorithme des moindres carrés récursifs (RLS)

L’algorithme RLS est connu pour sa rapidité de convergence. Dans cet algorithme, le
critère statistique de l’erreur quadratique moyenne est remplacé par un critère de
moindres carrés pondérés, qui est un critère déterministe minimisant la somme pondérée
des erreurs quadratique [21].
Ce critère est donnée par :
k
J ( k ) =  λ k − i e ( i, k )
2
(3.32)
i =0

T
Où : e ( i, k ) = x ( i ) − r ( i ) c ( k ) (3.33)
e(i,k) est l’erreur a posteriori qui consiste en la différence entre le signal désiré et la
sortie de l’égaliseur, en utilisant les coefficients les plus récents. Le paramètre λ est un
facteur de pondération qui prend toujours une valeur positive (0 < λ <1). Ce facteur est
aussi appelé facteur d’oubli car il sert à oublier les données qui correspondent à un
passé distant. Le paramètre λk-i met en évidence les échantillons d’erreurs les plus

62
Chapitre 3 Techniques d’égalisation

récents (où i ≈ k). Lorsque λ = 1, la fonction de coût donnée par l’équation (3.32) est
simplement la somme des erreurs quadratiques. Si λ < 1, les erreurs passées sont
pondérées avec un poids (facteur d’oubli) qui décroît exponentiellement.
Le gradient de J(k) par rapport aux coefficients de l’égaliseur est donné par :
∂J ( k ) k
= −2 λ k −i r ( i )  x ( i ) − r ( i ) c ( k ) 
T
(3.34)
∂c ( k ) i =0
 

L’algorithme RLS changent les coefficients du filtre pour que l’erreur soit minimisée,
par les relations suivantes :

 k k −i T
k

 
 i=0
λ r ( i ) r ( i ) 

c ( k ) = 
i =0
λ k −i r ( i ) x ( i ) (3.35)

On tire de cela :
RD ( k ) c ( k ) = PD ( k ) (2.36)

et :

c ( k ) = RD−1 ( k ) PD ( k ) (3.37)

 k
 k
Où RD ( k ) =  λ k −i r ( i ) r ( i )  et PD ( k ) =  λ k −i r ( i ) x ( i ) Sont respectivement, la matrice
T

 i =0  i =0

d’autocorrélation du signal d’entrée et le vecteur d’inter-corrélation entre le signal

d’entrée et le signal désiré.
L’équation (3.35) est réécrite sous la forme suivante :

 k k −i T  k −1 k −i −1 
 λ r ( i ) r ( i )  c ( k ) = λ  λ r ( i ) x ( i ) + r ( k ) x ( k ) (3.38)
 i=0   i=0 

En considérant que RD ( k − 1) c ( k − 1) = pD ( k − 1) , l’équation (3.38) se réécrite :

 k k −i T
  λ r ( i ) r ( i )  c ( k ) = λ PD ( k − 1) + r ( k ) x ( k )
 i=0 

= λ RD ( k − 1) c ( k − 1) + r ( k ) x ( k )

 k T
=   λ k −i r ( i ) r ( i ) − r ( i ) r ( i )  c ( k − 1) + r ( k ) x ( k )
T
(3.39)
 i=0 

Soit : RD ( k ) c ( k ) = RD ( k ) c ( k − 1) +  x ( k ) − r ( k ) c ( k − 1)  r ( k )
T
(3.40)
 

D’après l’équation (3.40), on définit l’erreur a priori comme suit :

e(k ) =  x ( k ) − r ( k ) c ( k − 1) 
T
(3.41)
 

63
Chapitre 3 Techniques d’égalisation

En remplaçant l’erreur dans l’équation (3.40), on obtient l’équation de mise à jour des
coefficients de l’égaliseur :

c ( k ) = c ( k − 1) + e ( k ) RD−1 ( k ) r ( k ) (3.42)

Où RD−1 ( k ) est l’inverse de la matrice RD ( k ) calculée en utilisant le lemme d’inversion

d’une matrice [85]. Lemme d’inversion d’une matrice est calculé comme suit :

Si : A = B −1 + C −1 DC T , (3.43)
−1
(
Alors : A−1 = B − BC D + C T BC ) C T B, (3.44)

On peut utiliser le lemme d’inversion pour calculer l’inversion de RD ( k ) en posant :

A = RD ( k ) ,
B −1 = λ RD ( k − 1) ,
(3.45)
C = r (k ),
D = 1.

On obtient donc l’équation récursive suivante pour l’inversion de la matrice de

corrélation :

1 
T
R −1 ( k − 1) r ( k ) r ( k ) RD−1 ( k − 1)
R ( k ) =  RD−1 ( k − 1) − D
−1
D T  (3.46)
λ  λ + r ( k ) RD−1 ( k − 1) r ( k ) 

En posant : Φ ( k ) = RD−1 ( k − 1) r ( k ) , l’équation (3.46) s’écrit :

1  −1 Φ (k )Φ (k ) 
T

R ( k ) =  RD ( k − 1) −
−1
D T  (3.47)
λ  λ + Φ ( k ) r ( k ) 

Les conditions initiales de cet algorithme sont : c ( 0 ) , RD−1 ( 0 ) = δ −1 I , I matrice de

corrélation et δ une faible constante positive.
L’algorithme de type RLS possède une vitesse de convergence élevée qui est
indépendante de la dispersion des valeurs propres de la matrice de corrélation d’entrée.
Cet algorithme est également très utile dans les applications où l’environnement varie
lentement. Le prix de tous ces avantages est une augmentation considérable de la
complexité des calculs et certains problèmes de stabilité, qui ne sont pas aussi critique
dans l’algorithme LMS [86, 87].

64
Chapitre 3 Techniques d’égalisation

3.5 COMPARAISON DES PRINCIPALES STRUCTURES D’EGALISEURS

Afin d’illustrer les performances et la mise en œuvre des algorithmes décrits dans ce
chapitre, nous allons examiner leurs performances avec l’égaliseur linéaire (LE) et
l’égaliseur à retour de décision (DFE), pour une transmission numérique en modulation
de phase à deux états (BPSK), et avec deux types de canaux : un canal linéaire à phase
non minimale et un canal non linéaire.

3.5.1 Canal linéaire à phase non minimale

Le modèle du canal discret équivalent utilisé pour tester les performances des
égaliseurs est un canal à phase non minimale, il est représenté par la fonction de
transfert en Z définie par :

H  z   0.3482  0.8704 z 1  0.3482 z 2 (3.48)

Les coefficients du canal sont réels au nombre de trois. C’est un canal représentatif de la
majorité des canaux rencontrés en pratique, il est très utilisé pour la simulation des
égaliseurs [9, 21, 88-90, 92-94]. Les caractéristiques de ce canal sont représentées à la
figure 3.9. La partie (a) représente la réponse en amplitude du canal qui comporte des
zones où le signal sera amplifié (amplitude > 0) et des zones où le signal sera affaibli
(amplitude < 0). Cette réponse présente un évanouissement de profondeur moyenne. La
partie (b) représente la réponse en phase qui est quasi-linéaire. La partie (c) donne la
représentation dans le plan Z et montre que le canal possède deux zéros, dont l’un est à
l’intérieur au cercle unité et l’autre est à l’extérieur.

Figure 3.9 : Caractéristiques du canal H(z). (a) Réponse en amplitude, (b) Réponse en phase, (c) Les
zéros de canal.

3.5.2 Canal non linéaire

Les canaux non linéaires sont communément rencontrés dans la pratique, les distorsions
non linéaires peuvent survenir en raison des phénomènes de saturation d’amplificateurs,
ou provenir des processus de modulation [21]. L'effet non linéaire du canal introduit
des distorsions non linéaires d’amplitude et de phase. Nous considérons un canal non
linéaire composé d’un canal linéaire à phase non minimale qui est décrit au paragraphe
précédent, suivi d’un non linéarité statique de Volterra, ce modèle est représenté par la
figure 3.10.

65
Chapitre 3 Techniques d’égalisation

Canal non-linéaire
Canal linéaire Non-linéarité
D1
Canal z k  + ẑ  k 
(.)1
H(z)
+
D2
Carrée (.)2
D3
Cube (.)3

Figure 3.10 : Canal non linéaire.

La sortie du canal linéaire à l'instant k est exprimée par l'équation suivante:

N 1
z  k    hi x  k  i  (3.49)
i 0

Où hi  i  0,1,.....N  1 est la réponse impulsionnelle du canal.

La sortie de ce canal est ensuite passée dans une fonction non linéaire dont la non
linéarité est décrite par :

ẑ  k   D1 z  k   D2 z 2  k   D3 z 3  k  (3.50)

Où D1 , D2 , D3 sont les paramètres du canal non linéaire.

3.5.3 Comparaisons des égaliseurs LE-LMS et DFE-LMS

La figure 3.11 présente une comparaison des courbes de convergence de l’erreur
quadratique moyenne (MSE) des égaliseurs DFE et LE dont l’adaptation est faite à
l’aide de l’algorithme LMS, et pour un rapport signal sur bruit de 20 dB. Les courbes de
l’erreur quadratique sont calculées en moyennant 600 simulations indépendantes,
chacune avec des symboles aléatoires différents et des paramètres initiaux aléatoires.
L’égaliseur DFE contient 5 coefficients dans sa section directe et 1 coefficient dans sa
section récursive (5,1). L’égaliseur LE comporte 6 coefficients. Le pas d’adaptation μ =
0.035.

(a) (b)
Figure 3.11 Courbes de convergence de l’EQM des égaliseurs LE-LMS et DFE-LMS
(a) : Canal linéaire, (b) : Canal non-linéaire

66
Chapitre 3 Techniques d’égalisation

(a) (b)
Figure 3.12 Courbes BER des égaliseurs LE-LMS et DFE-LMS
(a) : Canal linéaire, (b) : Canal non-linéaire
La figure 3.11 (a), représente les courbes de convergences des deux égaliseurs pour
un canal linéaire. L’égaliseur LE converge vers un état stable de -10 dB après 500
itérations, alors que l’égaliseur DFE atteint le niveau de -10 dB après environ 100
itérations seulement et passe à son état stable de -14 dB. L’égaliseur DFE apporte un
gain en temps de convergence par rapport à l’égaliseur LE. La figure 3.11(b) montre les
performances des égaliseurs à travers le canal non linéaire avec : D1 = 1, D2=0.1,
D3=0.1 [30]. Les performances des deux égaliseurs se dégradent sous l’effet de la non-
linéarité du canal. La figure 3.12 illustre les courbes du BER (Bit Error Rate) des deux
types d’égaliseurs. Ces courbes sont obtenues en prenant en moyenne 100 simulations
indépendantes de longueur 2000 symboles. Les 1000 premiers symboles sont utilisés
pour l’apprentissage et les autres sont utilisées pour le test. Ces courbes montrent que
l’égaliseur DFE opère encore mieux et présente un BER plus faible que l’égaliseur LE.

(a) (b)
Figure 2.13 Diagramme de l’œil du signal BPSK
(a) : Signal transmis, (b) : Signal reçu (canal linéaire)

67
Chapitre 3 Techniques d’égalisation

(a) (b)
Figure 3.14 Diagramme de l’œil du signal en sortie de l’égaliseur
(a) : avec l’égaliseur LE-LMS, (b) : avec l’égaliseur DFE-LMS
La figure 3.13 représente le diagramme de l’œil du signal BPSK à l’entrée et à la sortie
du canal, la figure 3.13(b) montre que l’œil est fermé et les erreurs de décisions sont
fortement probables.
La figure 3.14 représente le diagramme de l’œil du signal à la sortie des égaliseurs LE et
DFE. Le signal à la sortie de l’égaliseur DFE montre une amélioration du diagramme de
l’œil par rapport à celui de l’égaliseur LE, et l’œil devient plus ouvert.
3.5.4 Comparaisons des égaliseurs LE-LMS et LE-RLS
La figure 3.15 présente une comparaison des courbes de convergence de l’égaliseur
linéaire (LT) pour l’algorithme LMS (Least Mean Square) avec un pas d’adaptation μ =
0.035, et l’algorithme RLS (Recursive Least Square) avec un facteur d’oubli λ = 1.
L’égaliseur linéaire (LE) est de l’ordre de six coefficients. L’EQM atteint sa valeur
optimale après environ 500 itérations pour l’égaliseur LE-LMS, et 100 itérations pour
l’égaliseur LE-RLS. La valeur optimale de l’égaliseur LE pour les deux canaux :
linéaire et non-linéaire est de -10 et -7dB respectivement avec l’algorithme LMS, est de
-11 et -8dB respectivement avec l’algorithme RLS. L’égaliseur LE-RLS converge plus
rapidement que l’égaliseur LE-LMS.

(a) (b)
Figure 3.15 Courbes de convergence de l’EQM des égaliseurs LE-LMS et LE-RLS
(a) : Canal linéaire, (b) : Canal non-linéaire

68
Chapitre 3 Techniques d’égalisation

La figure 3.16 illustre les courbes du BER (Bit Error Rate) des deux types d’égaliseurs,
ces courbes montrent que l’égaliseur LE avec l’algorithme RLS donne un BER plus
faible que l’égaliseur LE avec l’algorithme LMS. Ces courbes montrent aussi que
l’égaliseur LE-RLS donne un BER plus faible que l’égaliseur DFE-LMS (figure 3.12).

(a) (b)
Figure 3.16 Courbes BER des égaliseurs LE-LMS et LE-RLS
(a) : Canal linéaire, (b) : Canal non-linéaire

(a) (b)
Figure 3.17 Diagramme de l’œil du signal en sortie de l’égaliseur
(a) : avec l’égaliseur LE-LMS, (b) : avec l’égaliseur LE-RLS
La figure 3.17 montre le diagramme de l’œil du signal à la sortie des égaliseurs LE-
LMS et LE-RLS, ces diagrammes indique que des erreurs de décision peuvent survenir,
et que ces deux égaliseurs sont sous optimales et donnent des résultats qui ne sont
satisfaisants.
3.6 CONCLUSION
Dans ce chapitre nous avons discuté le contexte d’égalisation des canaux de
communication numériques et nous avons également mis en évidence certaines
structures d’égaliseurs les plus communes : l’égaliseur LE et l’égaliseur DFE adaptés à
l’aide des algorithmes LMS et RLS. Les méthodes classiques ont été présentées dans le
but de mettre en évidence leurs performances médiocres pour un canal à phase non
minimale, les niveaux MSE atteints sont sous optimales. Les égaliseurs conventionnels
présentent une incapacité à égaliser les canaux non linéaires à faible SNR, d’où la
nécessité des architectures présentant un traitement non linéaire pour améliorer les
performances. Ces architectures feront l’objet du chapitre suivant.

69
 CHAPITRE 4
EGALISATION A BASE DES RESEAUX DE NEURONES ARTIFICIELS

4.1 INTRODUCTION
L’essor des réseaux de neurones dans divers domaines actuels est certainement dû à
leurs grandes capacités de calcul et à leurs hautes habilités d’apprentissage. De plus,
l’estimation de leurs paramètres est indépendante de la complexité du problème traité ce
qui leur permet d’être bien adaptés aux problèmes actuels qui ne cessent d’être de plus
en plus complexes [95]. L'égalisation non linéaire à base des réseaux de neurones offre
une solution plus avancée au problème d'égalisation avec des améliorations dans les
performances et dans les types des canaux qui peuvent être égalisés par rapport aux
techniques conventionnelles qui aboutissent à des performances sous optimales. Les
architectures des égaliseurs LE et DFE peuvent profiter de la mise en œuvre de ces
structures en montrant une amélioration des performances [30, 39]. Trois types
particuliers des réseaux de neurones sont investis dans l’égalisation des canaux de
communication : le perceptron multicouches (MLP: Multi Layer Perceptron), la
fonction à base radiale (RBF: Radial Basis Fonction) et le réseau récurent (RNN :
Recurrent Neural Network). Nous focaliserons notre étude principalement sur le
perceptron multicouches MLP et la fonction à base radiale. Nous commençons d’abord
par donner un aperçu général sur les réseaux de neurones.
4.1.1 Le neurone biologique
Les neurones biologiques sont des cellules vivantes constituant le système nerveux. Ce
sont des cellules spécialisées dans le traitement des signaux électriques et la
transmission du message nerveux. Les neurones sont reliés entre eux par des liaisons
appelées axones. Un neurone est doté de ramifications que l’on nomme les dendrites par
lesquelles transite l’information (sous la forme de courants électriques) venue de
l’extérieur vers le corps cellulaire. Le neurone traite cette information et renvoie le
résultat au travers de son axone. Ce signal émis par le neurone peut ensuite être
transmis, au travers d’une synapse, à un autre neurone (figure 4.1) [96].

Figure 4.1 Le neurone biologique et ses principaux composants.

Chapitre 4 Égalisation à base des réseaux de neurones artificiels

La figure 4.1 montre les éléments essentiels constituant le neurone biologique. Un

neurone biologique est composé de quatre parties essentielles :

• Le corps cellulaire effectue les transformations biochimiques nécessaires à la vie

du neurone. Il contient le noyau du neurone, sa taille est de quelques microns de
diamètre. C’est le centre de l’influx nerveux qui représente l’état d’activité du
neurone.

• Les dendrites forment une arborescence autour du corps cellulaire et permettent

au neurone de capter les signaux qui parviennent de l’extérieur. Ils constituent les
entrées principales du neurone. Leur longueur est de quelques dizaines de
microns.

• L’axone est une fibre nerveuse qui transporte les signaux émis par le neurone, il
se ramifie à son extrémité ou il communique avec les autres neurones à travers
des synapses. Sa taille peut varier de quelques millimètres à plusieurs mètres.

• Les synapses, ce sont des jonctions entre deux neurones et qui sont essentielles
dans le fonctionnement du système nerveux.

L’influx nerveux se propage toujours de la dendrite vers le corps cellulaire et de celui-ci

vers l’axone. Chaque neurone reçoit des signaux excitateurs ou inhibiteurs par ses
dendrites. Ces signaux pondérés sont combinés dans le corps cellulaire. Le potentiel
résultant est comparé au seuil interne, s’il est supérieur à celui-ci, le neurone provoque
l’émission dans l’axone d’un train d’impulsions vers les synapses, dans le cas contraire
il reste inactif.

4.1.2 Le neurone formel

Les réseaux de neurones formels sont à l'origine d’une tentative de modélisation
mathématique dont la structure s’inspire de celle du système nerveux. Le premier
modèle mathématique du neurone biologique est proposé par Warren McCulloch et
Walter Pitts en 1943 [8]. En s'appuyant sur les propriétés des neurones biologiques
connues à cette époque, issues d'observations neurophysiologiques et anatomiques. Ils
présentent un modèle assez simple pour les réseaux de neurones formels qui peuvent
réaliser des fonctions logiques, arithmétique et symbolique complexes (tout au moins au
niveau théorique) [97]. Il s'agit d'un neurone binaire, c'est-à-dire dont la sortie vaut 0 ou
1. Pour calculer cette sortie, le neurone effectue une somme pondérée de ses entrées
(qui, en tant que sorties d'autres neurones formels, valent aussi 0 ou 1) puis applique une
fonction d'activation à seuil : si la somme pondérée dépasse une certaine valeur, la sortie
du neurone est 1, sinon elle vaut 0. Ce modèle n'a pas possédé une règle d'apprentissage
jusqu'à 1949 où Donald. Hebb a proposé une simple règle d’apprentissage dans son
ouvrage : The Organization of Behaviour [98]. Le premier processus artificiel capable
d’apprendre par expérience a été proposé par Franck Rosenblatt [99] en 1957, c’était le
perceptron. Mais, Marvin Lee Minsky et Seymour Papert [100] ont publié un travail
énonçant les limitations de ce dernier, et principalement l’impossibilité de traiter des

71
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

problèmes non linéaires. Cette conclusion pessimiste a étendu tous les modèles des
réseaux de neurones et a abaissé leurs intérêts pendant deux décennies. Il a fallu
attendre l’apparition du perceptron multicouche, introduit par Rumelhart et al [101] en
1986, pour donner renaissance aux réseaux de neurones. Cette découverte a été une
vraie révolution qui a permis aux réseaux de neurones de connaitre un essor
considérable [95].
La figure 4.2 montre le modèle du neurone formel.
x1
w1 b
x2
w2 y
s
∑ f
⋮
xN
wN

Figure 4.2 Modèle du neurone formel.

La valeur de la sortie (y) résulte de la somme pondérée des entrées (xi) pondérées par
des coefficients (wi), plus un biais (b) et du calcul d’une fonction d’activation (f) de
cette somme. La formalisation mathématique de son comportement est donnée par :
 N

y = f (s) = f  b +

 w x 
i =1
i i (4.1)

La modélisation consiste donc à mettre en œuvre un système de réseaux neuronaux sous

un aspect non pas biologique mais artificiel, cela suppose que d’après le principe
biologique on aura une correspondance pour chaque élément composant le neurone
biologique, donc une modélisation pour chacun d’entre eux. On pourra résumer cette
modélisation par le tableau 4.1, qui nous permettra de voir clairement la transition entre
le neurone biologique et le neurone formel.
Tableau 4.1 Analogie entre le neurone biologique et le neurone formel

Neurone biologique Neurone formel

Synapses Poids de connexions
Axones Signal de sortie
Dendrite Signal d’entrée
Noyau Fonction d’activation

Il est à noter que cette modélisation simplifiée est loin de fournir une explication exacte
concernant la complexité de fonctionnement des neurones biologique. Malgré cela, cette
formalisation permet d'étudier les connexions entre ces neurones dans d’autres
processus plus complexes comportant plusieurs neurones interconnectés [95].

72
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

4.2 ÉGALSATION PAR LES RÉSEAUX DE NEURONES

Un réseau de neurones artificiels est un ensemble de neurones associés en couches et

fonctionnant en parallèle. Ce réseau neuronal possède la capacité de stocker de la
connaissance empirique et de la rendre disponible à l'usage [21]. Les habiletés de
traitement et la connaissance du réseau vont être stockées dans les poids synaptiques,
obtenus par des processus d'adaptation ou d'apprentissage. La structure des connexions
entre les différents neurones détermine la topologie du réseau.
Les réseaux de neurones sont capables d’apporter des solutions à des problèmes
complexes en communications numériques grâce à leur traitement non linéaire, leur
architecture parallèlement distribuée, leur auto-organisation, leur capacité
d’apprentissage et de généralisation et leur implantation efficace. Parmi les applications
des réseaux de neurones aux communications numériques on trouve, l’identification,
l’égalisation, le codage et le décodage, la quantification vectorielle, le traitement
d’images, le filtrage non linéaire, les techniques d’étalement de spectre, etc. Le point clé
pour une utilisation efficace des réseaux de neurones est de trouver une architecture
adaptée au problème et qui donne les meilleurs résultats.
L’utilisation des réseaux de neurones pour l’égalisation des canaux a pour principal
avantage de pouvoir traiter des canaux non linéaires. Les égaliseurs à base des réseaux
de neurones ont été proposés comme une alternative des égaliseurs classiques, et ont
fourni des améliorations significatives en performance dans une variété des canaux de
transmissions. Le contexte d’utilisation d’un réseau de neurone à titre d’égalisation est
donné à la figure 4.3 [102].

v(k )
x(k ) z (k ) ẑ ( k )
Canal linéaire Non linéarité z-1 z-1 z-1
r (k )

Délai
Réseaux de neurones

e(k ) -
Algorithme
d’apprentissage y(k )
+
x(k − d ) Décision

x̂ ( k )

Figure 4.3 Égaliseur à base de réseaux de neurones

L’égaliseur à base des réseaux de neurones est réalisé en reliant les échantillons du
signal reçu à la couche d’entrée du réseau. Le signal d’erreur calculé entre la sortie de
l’égaliseur et la sortie désirée est utilisé pour ajuster les poids du réseau vers leurs
valeurs optimales en utilisant un algorithme d’apprentissage.

73
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

4.2.1 Egaliseur DFE a base de réseaux de neurones

La structure conventionnelle de l'égaliseur à retour de décision utilise des algorithmes

linéaires tels que LMS ou RLS et se compose d'un filtre à action directe et d'un filtre à
rétroaction, comme le montre la figure 3.5 dans le chapitre 3, où le filtre à action directe
est un égaliseur linéaire [9]. La linéarité de l'égaliseur limite les performances du
système. Pour bénéficier des capacités de l’égaliseur à retour de décision DFE et du
traitement non linéaire offert par les réseaux de neurone, nous présentons l’architecture
d’un égaliseur DFE à base de réseaux de neurones noté DFE-ANN. L’architecture de
l’égaliseur DFE-ANN est représentée par la figure 4.4. Les entrées de l’égaliseur DFE-
ANN sont les échantillons de la séquence des symboles reçus ainsi que les échantillons
en sortie du circuit de décision qui représentent les estimées de la séquence transmise.
Le signal égalisé constituant la sortie du DFE-ANN se présente à l’entrée du circuit de
décision pour décider de la valeur du symbole transmis.

v (k )
x(k ) z (k ) ẑ ( k )
Canal linéaire Non linéarité z-1 z-1 z-1 z-1 z-1 z-1
r (k )

Délai
Réseaux de neurones

e(k ) -
Algorithme
d’apprentissage y(k )
+
x(k − d ) Décision

x̂ ( k )

Figure 4.4 Égaliseur DFE à base de réseaux de neurones

Les égaliseurs neuronaux à retour de décision améliorent considérablement la vitesse de

convergence et l'erreur quadratique moyenne (EQM) par rapport au DFE conventionnel
ou l'égaliseur neuronal sans retour de décision [9].
Les réseaux de neurones fournissent une bonne cartographie non linéaire du modèle
inverse du canal et peuvent gérer l'incertitude incluse dans les données reçues. Les
réseaux de neurones de type Feed-Forward (FNN pour: Feed-Forward Neural Network)
tels que les perceptrons multicouches (MLP) ou les réseaux de fonctions à base radiales
(RBF) sont principalement concernés par la conception de l'égaliseur en raison de leur
simplicité structurelle [9, 103]. S. Siu et al. [9] ont montré que l'égaliseur DFE basé sur
le perceptron multicouche offre une performance supérieure par rapport à celle du DFE
conventionnel, en raison de sa capacité à former des régions de décision complexes avec
des limites non linéaires. Il convient de noter, cependant, que les structures invoquées
par l’égaliseur DFE-ANN sont considérablement plus complexes que le DFE
conventionnel.

74
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

4.2.2 Apprentissage des réseaux de neurones

L’apprentissage est une propriété fondamentale pour les réseaux de neurones, c’est le
processus permettant au réseau de se spécialiser sur un problème spécifique à partir de
son expérience. Il consiste généralement à modifier les poids, jusqu'à ce que le réseau
puisse effectuer la tâche désirée. Donc l’apprentissage se traduit par une modification
dans la valeur des poids reliant les neurones du réseau. Chaque poids wi , j reliant un
neurone i au un neurone j à l’itération n est modifié selon l’équation suivante :

wi , j ( n ) = wi , j ( n − 1) + ∆wi , j ( n − 1) (4.2)

Où wi , j ( n ) et wi , j ( n − 1) sont respectivement les valeurs de ce poids à la n ème et à la

ème
( n − 1) itération et ∆wi , j est le changement correspondant.

Selon la présence ou l’absence de la réponse désirée, l’apprentissage des réseaux de

neurones peut être catégorisé en deux grandes familles, apprentissage supervisé et non
supervisé (figure 4.5) :

• Dans l’apprentissage supervisé, le réseau est forcé à converger vers un état final
précis, ce qui nécessite la connaissance à priori de la réponse désirée. chaque
exemple de la base d’apprentissage est associé à une solution désirée. Cette
dernière permet au réseau de connaître ces erreurs et de s’adapter à la présentation
de chaque exemple d’apprentissage afin de se rapprocher du résultat souhaité. La
rétro-propagation du gradient est l’une des méthodes les plus utilisées pour
l’apprentissage supervisé des réseaux de neurones. Elle consiste à présenter des
exemples au réseau, calculer sa sortie, ajuster les poids de façon à réduire l’écart
entre cette sortie et la réponse désirée pour satisfaire un certain critère de
performance.

• Dans l’apprentissage non supervisé, seules les valeurs d’entrée sont disponibles et
le réseau est laissé libre de converger vers n’importe quel état final. La
connaissance à priori de la sortie désirée n’est pas nécessaire, la procédure
d’apprentissage est basée uniquement sur les valeurs d’entrées. Donc le réseau ne
dispose pas d’une solution désirée sur les exemples d’apprentissage pour l’aider à
ajuster ses paramètres, il doit chercher à représenter au mieux l’espace des
exemples qui lui sont présentés.

x(k )
r (k ) +
y(k ) r (k ) y(k )
Réseau de neurones − Réseau de neurones

e(k )

Algorithme Algorithme
d’apprentissage d’apprentissage

(a) (b)

Figure 4.5 (a) Apprentissage supervisé, (b) Apprentissage non supervisé

75
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

4.3 DIFFERENTS TYPES DES RÉSEAUX DE NEURONES

Les réseaux de neurones artificiels peuvent être classés en deux grandes catégories :
 Réseaux neuronaux non bouclé de type Feed-Forward.
 Réseau neuronaux récurrent de type Feed-back.
Les réseaux neuronaux de type Feed-Forward sont formés de couches constituées de
neurones de mêmes types. Plusieurs couches peuvent composer un réseau ayant plus de
flexibilité afin de répondre à un plus grand nombre d’application. Dans ce type de
réseau, l’information se propage couche par couche sans que le retour en arrière soit
possible. La connectivité des neurones dans les réseaux à couche est locale, où ils ne
sont reliés qu’à leur plus proche voisin de la couche précédente et la couche suivante.
La couche de sortie est celle qui produit la sortie du réseau, il y a un neurone par sortie.
Ce réseau est considéré comme un système neuronal non linéaire statique. Nous
présentons dans cette section deux types de réseau neuronaux multicouches de type
Feed-Forward qui sont : le réseau RBF (Radial Basis Function) et le perceptron
multicouche MLP (Multi Layer Perceptron).
4.3.1 Le réseau de fonction à base radiale (RBF)
Le réseau de fonction à base radiale RBF (Radial Basis Functions) est un réseau à deux
couches (figure 4.6), utilisé pour la première fois par Broomhead et Lowe [104]. Les
neurones de la première couche sont reliés aux entrées et ont chacun deux paramètres :
un vecteur prototype (ou centre) c et un coefficient d’étalement σ strictement positif. La
fonction RBF la plus courante est la fonction gaussienne (figure 4.7) donnée par [105] :

 x2 
f ( x ) = exp  − 2  (4.3)
 2σ 
La sortie de la couche cachée notée x1i est donnée par :

x1i = fi ( x − ci ) (4.4)

Avec x le vecteur d’entrée et . dénote la norme euclidienne.

c 1, σ 1

Sorties
w1, b1 s
Entrées c 2, σ 2 S1

⋮
c 3, σ 3
wN2, bN2
⋮ SN2

⋮
cN, σN1

Figure 4.6 Réseau RBF

76
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1
Centre = 0
0
-5 -4 -3 -2 -1 0 1 2 3 4 5

Figure 4.7 fonction à base radiale (RBF)

Le vecteur prototype c définit un point dans l’espace d’entrée. Un neurone RBF calcule
sa sortie en se basant sur la distance entre chaque entrée et son vecteur prototype. Sa
sortie est d’autant plus grande que cette distance est plus petite, c’est-à-dire d’autant que
le vecteur d’entrée est très semblable à son vecteur prototype. La sortie du neurone est
égale à 1 pour une entrée x égale à c, puis décroît vers 0 lorsque l’entrée s’éloigne de c.
La vitesse de décroissance est réglée par  : plus le coefficient est petit et plus la
fonction sera concentrée autour du point c et proche de 0 ailleurs.
Les neurones de la seconde couche calculent la sortie du réseau en effectuant une
combinaison linéaire des sorties de ceux de la première couche, et un biais est ajouté au
total.
Chaque sortie du réseau RBF est donnée par la formule :
N1
y j   wi , j fi  x  ci   bi (4.5)
i 1

Où j est le numéro de la sortie (c’est à dire le numéro du neurone de la seconde couche

dont on calcule la sortie), N1 le nombre de neurones de la première couche, ci le vecteur
prototype du neurone numéro i de la première couche, wi,j, i = 1…..N1 les poids du
neurone de sortie j, et bi son biais. L’utilisation habituelle des RBF conserve une
fonction d’activation linéaire en sortie mais l’utilisation d’une fonction non linéaire
reste possible. Il a été montré que le réseau RBF capable d’approximer n’importe quelle
fonction douce avec une précision donnée, pourvu que l’on fournisse un nombre
suffisant de neurones, et que l’on utilise un algorithme d’apprentissage adéquat [106].
Lors de l’apprentissage d’un réseau RBF deux problèmes se posent : la constitution de
la première couche (choix du nombre de neurones, choix des prototypes et des
coefficients d’étalement), et la détermination des poids et biais de la seconde couche
[105]. L’apprentissage d’un réseau RBF consiste donc à déterminer les paramètres
inconnus de ce réseau. D’une manière générale l’apprentissage est composé de deux
étapes :
Une étape de para-métrisation des fonctions de base qui consiste en une règle
d’apprentissage non supervisée dans la couche cachée. Elle a pour rôle de trouver la
forme exacte des fonctions de base qui consiste à déterminer le nombre et la position

77
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

des centres. Le choix de la position des centres et le nombre de neurones reste

généralement arbitraires. Il existe des méthodes de positionnement automatique des
centres, ces méthodes consistent à déplacer les centres vers les points où l’erreur est
grande [21]. L’algorithme des k-means et la méthode d’apprentissage non supervisée
souvent utilisée pour la sélection des centres. La version la plus couramment utilisée est
la classification par k-means adaptatif basé sur la distance euclidienne. Les étapes
principales de l’algorithme k-means sont présentées comme suit :

Etape 1 : Initialisation
Le nombre k (nombre de fonction RBF, ou neurones cachés)
Les centres des fonctions de base radiale.
Etape 2 :
Calculer la distance euclidienne entre les centre de chaque
fonction RBF et le vecteur d’entée x :
Di ( n ) = x ( n ) − ci ( n )

Etape 3 :
Déterminer le centre I le plus proche du vecteur d’entrée, tel
que :
DI ( n ) = min Di ( n )
i

Etape 4 :
Ajuster le vecteur des centres cI en utilisant la loi d’adaptation
suivante :
cI ( n + 1) = cI ( n ) + µ ( x − cI ( n ) )
Où µ est une petite constante positive.

Une autre étape utilisée pour l’apprentissage des poids de la couche de sortie qui
consiste en une règle d’apprentissage supervisé pour l’adaptation des poids tels que les
algorithmes RLS ou LMS. L’algorithme LMS est utilisé pour ajuster les poids de la
couche de sortie suivant les étapes décrites ci-dessous.

Etape 1 :
Présenter le vecteur de sortie du réseau et le vecteur de sortie
désiré.
Etape 2 :
Calculer l’erreur entre la sortie du réseau et la sortie désirée :
e j ( n) = d j ( n) − y j
Etape 3 :
Ajuster les poids de la couche de sortie en utilisant la loi
d’adaptation suivante :
wkj ( n + 1) = ckj ( n ) + µ e j ( n )φk ( x − ck )
 t2 
Où : φ ( t ) = exp  − 2 
 2σ 
µ est une petite constante positive.

78
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

4.3.2 Le perceptron multicouche (MLP)

Le perceptron multicouche MLP (Multi Layer Perceptron), est la deuxième grande

famille de réseaux de neurones. C’est le réseau de neurones le plus utilisé et le plus
étudié. Un perceptron multicouche se compose d’une couche d’entrée, une couche de
sortie et une ou plusieurs couches cachées. La figure (4.8) illustre un MLP avec deux
couches cachées. La première couche est reliée aux entrées (appelée couche d’entrée),
puis ensuite chaque couche est reliée à la couche suivante. C’est la dernière couche qui
produit les sorties du MLP, et elle est appelée couche de sortie. Les sorties des autres
couches ne sont pas visibles à l’extérieur du réseau, et elles sont appelées pour cette
raison couches cachées. Chaque neurone d’une couche étant totalement connecté aux
neurones de la couche suivante et les neurones d’une même couche ne sont pas
interconnectés. Chaque neurone d’une couche reçoit des signaux de la couche
précédente et transmet le résultat à la couche suivante. L’orientation du réseau est fixée
par le sens unique de la propagation de l’information, de la couche d’entrée vers la
couche de sortie.
La sortie du j ème neurone de la k ème couche y (jk ) est donnée par :

 (k ) N k −1

(k )
yj = fk  bj +

 i =1

wi(,kj) s (jk ) 


(4.6)

Où : f k est la fonction d’activation de ce neurone, N k −1 est le nombre de neurones de la

ème
( k − 1) couche, wi(,kj) est le poids reliant le i ème neurone de la couche précédente à ce
neurone et b(j k ) son biais.

w(j10), j1 w(j12,)j2 wi(23,)j3

s1(1) () 1
f1 y1
s1( 2) y1( 2)
Entrées f2
rj0 s1(3) y1(3) Sorties
f1
f3
f2
f1 ⋮
⋮ y N(33)
rjN ⋮ f3
0

(1)
⋮ f2 ( 2)
sN(33)
sN1 yN2 Couche de sortie
Couche d’entrée sN( 22)
f1 (1)
y N1
Couches cachées

Figure 4.8 Perceptron multicouche avec deux couches cachées.

L’importance du MLP réside essentiellement dans ces capacités de former des frontières
de décision complexe. Ces dernières sont déterminées par le nombre de couches cachées
et le nombre de neurones de chaque couche. Cependant, trop de couche cachées
compliquera l’apprentissage et augmentera le coût de calcule et peut de couches sera

79
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

inadéquat pour créer la non linéarité suffisante. Comme pour le RBF, il a été montré
qu’un perceptron à deux couches avec des fonctions d’activation non-linéaire sur la
première couche et une fonction d’activation linéaire sur la seconde est capable
d’approximer n’importe quelle fonction douce avec une précision donnée [107, 108],
pourvu que l’on fournisse un nombre suffisant de neurones dans la couche cachée.
La fonction d’activation utilisée dans le modèle de W. McCulloch et W. Pitts [8] est la
fonction échelon. Elle fait passer l’activation du neurone d’une valeur à une autre dès
que l’entrée résultante dépasse un certain seuil. L’inconvénient de cette fonction est
qu’elle n’est pas différentiable, ce qui pose un problème pour les algorithmes
d’apprentissage basés sur le gradient. Pour remédier à cet inconvénient, on cherche à
approximer cette fonction d’activation par une fonction non-linéaire différentiable.
Deux fonctions de ce type sont particulièrement intéressantes et sont souvent utilisées :
la tangente hyperbolique (f1) et la fonction sigmoïde (f2). La figure 4.9 montre les
courbes de la tangente hyperbolique et sigmoïde standard. Elles sont définies par :

1  e  ax
f1  x   tanh  x   (4.7)
1  e  ax
1
f 2  x   logsig  x   (4.8)
1  e  ax

Où : a est le paramètre (dit aussi gain), qui contrôle la pente non linéaire de la fonction.
La différence entre ces deux dernières fonctions est le domaine des valeurs prises, qui
est de {-1,1} pour la tangente hyperbolique et de {0,1} pour la fonction sigmoïde
standard.

(a) (b)

Figure 4.9 Fonctions d’activation : (a) tangente hyperbolique (a=2),

(b) sigmoïde standard (a=1).

80
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

[Link] Apprentissage du MLP par la Rétro-Propagation (RP)

La rétro-propagation du gradient BP (Back Propagation) est l’une des méthodes
supervisée les plus utilisées pour l’apprentissage des réseaux de neurones. C’est une
généralisation de l’algorithme LMS conçu spécialement pour le MLP. Son
développement est lié aux travaux de Rumelhart et al en 1986 [15]. L’apprentissage
consiste à ajuster les coefficients synaptiques pour que les sorties du réseau soient les
plus proches possible des sorties de l’ensemble d’appretissage [17]. Donc il faut
spécifier une règle d’apprentissage afin de l’utiliser pour l’adaptation de ces paramètres.
Pour cela la rétro-propagation utilise une méthode d’apprentissage qui se divise en deux
étapes [17] :
 Une étape de propagation qui consiste à présenter une configuration
d’entrée au réseau, puis à propager cette entrée de proche en proche de la
couche d’entée à la couche de sortie en passant par les couches cachées.
 Une étape de rétro-propagation qui consiste, après le processus de
propagation, à minimiser l’erreur commise sur l’ensemble des exemples
présentés. Cette erreur représente la somme des différences au carré entre
les réponses calculées et celle désirées pour tous les exemples contenus
dans l’ensemble d’apprentissage.
La rétro-propagation du gradient commence l’apprentissage par un choix aléatoire des
valeurs des poids en présentant l’entrée et la sortie désirée correspondante. A la sortie
du réseau, l’erreur commise et le gradient de l’erreur par rapport à tous les poids sont
calculés, ensuite les poids sont ajustés. Cette procédure est répétée jusqu’à ce que les
sorties du réseau soient suffisamment proches des sorties désirées.
Le gradient de l'erreur est calculé par la rétro-propagation pour chaque neurone d'un
réseau de neurones, de la dernière couche vers la première. L’erreur quadratique est
souvent employée comme étant la fonction de coût. Il consiste donc à minimiser la
distance entre la sortie calculée Y ( q ) et la sortie désirée T ( q ) correspondantes à chaque
exemple d’apprentissage X ( q ) . Pour un ensemble de Q exemples d’apprentissage,
l’erreur quadratique totale est donnée par :
Q J

 (t ( ) − y( ) )
2
q q
E= j j (4.9)
q =1 j =1

L’algorithme BP modifie les poids du réseau de façon à effectuer une descente de

gradient sur le critère d’erreur pour atteindre le minimum. Au début de l’apprentissage,
les poids sont initialisés avec des valeurs aléatoires et modifiés ensuite dans une
direction qui réduira l'erreur. La modification ∆w d’un poids w est donnés par :
∂E
∆w = −η (4.10)
∂w
Où : η est une constante positive appelée pas d’apprentissage permettant de définir la
taille des modifications des poids. Il s’agit donc de prendre un pas dans l’espace des
poids permettant de réduire la fonction coût. La phase d’initialisation des poids s’effectue
après avoir fixé la topologie du réseau. Dans cette phase, nous avons intérêt à choisir des

81
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

valeurs de sorte que l’apprentissage soit rapide et uniforme, en d’autre termes les valeurs
finales d'équilibre des poids seront atteintes simultanément [109]. Pour ce faire, les poids
doivent être initialisés aléatoirement selon une distribution uniforme autour d’une
certaine valeur moyenne ( wmin < w < wmax ) [110]. Ces deux paramètres sont choisis avec
des valeurs petites afin que l’activation des neurones cachés soit petite. Le choix du pas
d’apprentissage influe beaucoup sur la rapidité de convergence, un pas trop petit ralenti
l’apprentissage, un pas trop important provoque un risque d’instabilité. Théoriquement, le
pas d’apprentissage optimal est celui qui mène au minimum d’erreur dans une seule
époque d’apprentissage (figure 4.10). La détermination d’un gain optimale est l’un des
problèmes de la RP [95].
E

E
w w w
(a) (b) (c)
Figure 4.10 Descente de gradient dans un problème unidimensionnel avec différents valeur du pas
d’apprentissage : (a) η < η optimal , (b) η = ηoptimal , (c) η > ηoptimal

Du fait que la RP est basée sur une descente de gradient, nous pourrons avoir une idée
sur cet algorithme en étudiant les surfaces d’erreur de la fonction coût employée en
fonction des poids. Le problème le plus important concerne les minima locaux, si la
surface d’erreur admet plusieurs minima locaux, il sera peu probable que le réseau
atteint le minimum global, et par conséquent cela pourra conduire à une mauvaise
performance.
Pour un MLP avec deux couches cachée (Fig. 4.8), la mise à jour des poids des couches
cachées et ceux de la couche de sortie est donnée par :
∂E ( n )
w(jk ) , j ( n ) = w(jk ) , j ( n − 1) − η k = 1, 2,3 (4.11)
∂w(j
k −1 k k −1 k k)
k −1 , jk

Le développement de l’équation (4.11) donne les équations d’adaptation suivantes :

3
2 3
3
2 3
(
w(j ,) j ( n ) = w(j ,) j ( n − 1) + η3 t j − y (j 3
3)
3
) f ( s( ) ) y( )
3
' 3
j3
2
j2 (4.12)

 N3

( 2)
wj , j (n) = wj , j
1 2
( 2)
1 2
( n − 1) + η2  ( 3 3
) ( )
t j − y (j3) f 3' s (j3) w(j3,) j  f 2' s (j2) y (j1)
3 2 3
( )
2 1
(4.13)
 j3 =1 
 N N 
 (
3 2

w(j1), j ( n ) = w(j1), j ( n − 1) + η1 
0 1 0 1
 j =1 j =1 3 3
) ( ) 3
 2 3
( )
t j − y (j3) f 3' s (j3) w(j3,) j f 2' s (j2 ) w(j2,)j  f1' s (j1) rj (3.14)
2 1 2
( ) 1 0

 3 2 
Où : η1 ,η 2 ,η3 , sont les pas d’apprentissage, et f ' , f ' , f ' , sont respectivement les dérivées
1 2 3

des fonctions d’activation des neurones de la première et la deuxième couches cachées,

82
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

et de la couche de sortie. Dans le cas des fonctions sigmoïde et tangente hyperbolique,

les dérivées sont respectivement données par [39] :

    y  1  y  
f k' s j
k
k k
jk
k
jk k  1, 2,3 (4.15)

    1  y   1  y  
f k' s j
k
k k
jk
k
jk k  1, 2,3 (4.16)

Les fonctions d’activations jouissent d’une place importante dans les réseaux neuronaux
multicouche. Cela a conduit à l’utilisation d’une expansion de fonctions d’activation.
Etant donné qu’elles gouvernent la non-linéarité du réseau et influencent directement la
vitesse de convergence des algorithmes d’adaptation.
Bien que la RP fonctionne pratiquement avec n’importe quelle fonction d’activation,
étant données quelques conditions simples telles que la continuité de cette fonction
ainsi que sa dérivée, il y a un certain nombre de propriétés souhaitables [109]: D’abord,
la fonction d’activation doit être non linéaire. Deuxièmement, la fonction d’activation
doit être saturable, sa sortie doit être limitée par une valeur maximale et une valeur
minimale. Troisièmement, la fonction d’activation doit être continue et lisse, en d’autre
termes la fonction et sa dérivée doivent être définies sur tout l’intervalle d’entrée. La
fonction tangente hyperbolique possède toutes les propriétés précédentes (Fig 4.11), elle
est lisse, différentiable, non-linéaire, et saturable.

Figure 4.11 La fonction tangente hyperbolique avec différentes valeurs de a.

Certains travaux ont été effectués pour montrer la relation entre les réseaux RBF et le
réseau MLP. Particulièrement, si l'on considère qu'un MLP est un approximateur
universel, il peut approximer un réseau RBF et vice versa [111].
La différence entre les deux réseaux porte sur l’architecture qui est figée en deux couches
pour les RBF et peut comporter plusieurs couches pour le MLP. En plus le réseau MLP
jouit de la flexibilité de la structure, de bonnes capacités de représentation et une large
utilisation pour les applications industrielles et un grand nombre d'algorithmes
d’apprentissage [21, 112, 113].

83
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

4.4 ÉGALISATION PAR LES RÉSEAUX MLP et RBF

Pour apercevoir la performance de l’égaliseur à base de réseaux de neurones, nous
présentons dans cette section les résultats de simulation obtenus en utilisant le logiciel
MTLAB pour les égaliseurs à base de réseau (RBF), à base du perceptron multicouche
(MLP), l’égaliseur à retour de décision à base du perceptron multicouche (DFE-MLP) et
l’égaliseur à retour de décision à base de réseau RBF (DFE-RBF). La performance se
fait sur les courbes de convergence qui décrit l’évolution de l’erreur quadratique
moyenne (EQM ou MSE: Mean Square Error) et les courbes de taux d'erreurs binaires
(TEB ou BER: Bit Error Ratio).
La séquence de données est constituée des symboles (-1,1) uniformément distribués, le
rapport signal sur bruit SNR est de 25 dB.
4.4.1 Modèle de canal
Deux modèles standard de canaux sont utilisés dans la simulation, le premier canal
H1(z) est le même que celui utilisé au chapitre précédent. Le deuxième est un canal de
Proakis B, il est substantiellement plus dur à égaliser par rapport au premier canal. Ce
canal est très utilisé pour la simulation des égaliseurs. Il est représenté par la fonction de
transfert en Z définie par :
H 2  z   0.407  0.815z 1  0.407 z 2 (4.17)
Les caractéristiques de ce canal sont illustrées à la figure 4.12. Il possède deux zéros,
dont l'un est à l'intérieur du cercle unité et l'autre est à l'extérieur. Les zéros de ce canal
sont donnés par : z1= -1.0508 et z2= -0.9516. La réponse en amplitude présente un
évanouissement très profond d’environ -30 dB, sélectif en fréquence et assez difficile à
identifier. Ce canal résulte des interférences entre symboles sévères [1, 115]. La réponse
en phase de ce canal est quasi linéaire.

Figure 4.12 Caractéristiques du canal H2(z) : (a) Réponse en amplitude, (b) Réponse en phase, (c) Les
zéros de canal.

L’égaliseur à base des réseaux de neurones étant un égaliseur non linéaire possédant des
capacités attirantes, il sera intéressant de tester ses performances pour des canaux non
linéaires. Nous considérons un modèle de canal non linéaire composé d'un canal linéaire
suivi d'une non-linéarité définie au chapitre précédent. Les paramètres contrôleurs de la

84
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

non-linéarité D1, D2 et D3 de l’équation (3.50) sont définis respectivement à 1, 0.1 et

0.05, comme indiqué dans [91, 114].
4.4.2 Performances des égaliseurs MLP, DFE-MLP, RBF, DFE-RBF
La structure de l’égaliseur MLP et l’égaliseur DFE-MLP utilisé dans la simulation
contient cinq échantillons dans la couche d'entrée pour le MLP, quatre échantillons dans
la section direct et un échantillon dans la section de retour pour le DFE-MLP, le nombre
de neurones dans la première et la deuxième couche cachée et dans la couche de sortie
est 9, 3 et 1, respectivement {(4,1) DFE avec (9,3,1) MLP Structure}[9,88, 93, 94, 116].
Pour le réseau RBF, le traitement du problème d’égalisation est le même que dans le
MLP, sauf que la structure de l’égaliseur RBF et les paramètres internes sont différents.
La structure de l’égaliseur RBF et l’égaliseur DFE-RBF utilisé dans la simulation
contient trois échantillons dans la couche d'entrée pour le RBF, deux échantillons dans
la section direct et un échantillon dans la section de retour pour le DFE-RBF, le nombre
de neurones dans la couche cachée et la couche de sortie est 30, 1, respectivement [14].

(a) (b)
Figure 4.13 Courbe de l’EQM (a) et BER (b) de l’égaliseur MLP et DFE-MLP (canal H1(z)).

(a) (b)
Figure 4.14 Courbe de l’EQM (a) et BER (b) de l’égaliseur RBF et DFE-RBF (canal H1(z)).

L'erreur quadratique moyenne est l'une des mesures les plus utiles pour la performance
d'un égaliseur. La performance de l’EQM est obtenue en moyennant 600 simulations
indépendantes, chacune consistant en 3000 itérations et caractérisée par des symboles
aléatoires différents et des paramètres initiaux aléatoires. Les figures 4.13(a) et 4.14(a)
présentent les courbes de convergence de l’erreur quadratique moyenne (MSE) des

85
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

égaliseurs considérés pour le canal H1(z). Ces courbes montrent une amélioration dans
le temps de convergence et aussi dans le niveau MSE lors de l'utilisation de DFE. Il est
également clairement montré que l’égaliseur MLP fonctionne mieux que l’égaliseur
RBF (avec une architecture de neurone différente). Comme le montre les figures 4.15(a)
et 4.16(a), une amélioration similaire est également obtenue par les deux égaliseurs
DFE-MLP et DFE-RBF pour le canal H2(z). L’égaliseur DFE-MLP engendre un niveau
d’EQM supérieur à l’égaliseur DFE-RBF. Cependant, le temps de convergence de
l’égaliseur DFE-MLP montre une dégradation dans la performance par rapport à
l’égaliseur DFE-RBF, en prouvant la supériorité de l’égaliseur DFE-RBF pour les 250
premières itérations. Pour l’égaliseur MLP et RBF (sans retour de décision), les courbes
montres une dégradation dans la performance qui se manifeste par une augmentation de
la valeur de l’état stable de l’EQM à cause de la distorsion apporter par ce canal.
La partie (b) des figures 4.13, 4.14, 4.15, 4.16 montrent les courbes du taux d’erreur
binaire (BER) des égaliseurs considérés. Ces courbes sont obtenues en prenant en
moyenne 100 simulations indépendantes de longueur 10000 symboles. Les 2000
premiers symboles sont utilisés pour l’apprentissage et les autres sont utilisées pour le
test. Les courbes BER montrent avec clarté la même classification des égaliseurs en
termes de performances, en prouvant la supériorité de l’égaliseur DFE. Cependant,
d’après les courbes de la figure 4.14(b), une légère amélioration au niveau des faibles
SNR est observée dans l’égaliseur RBF par rapport à l’égaliseur DFE-RBF.

(a) (b)
Figure 4.15 Courbe de l’EQM (a) et BER (b) de l’égaliseur MLP et DFE-MLP (canal H2(z)).

(a) (b)
Figure 4.16 Courbe de l’EQM (a) et BER (b) de l’égaliseur RBF et DFE-RBF (canal H2(z)).

86
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

4.5 AMÉLIORATION DES PERFORMANCES DE LA RÉTRO-

PROPAGATION (RP)
Nous consacrons cette section à l’égalisation par le perceptron multicouche qui est le
réseau de neurones le plus utilisé, et qui constitue également l’application principale de
la méthode proposée.
4.5.1 Méthode proposée pour l’apprentissage du perceptron multicouche
Nous abordons l’égalisation par le perceptron multicouche en décrivant son architecture
et son apprentissage par la rétro-propagation qui est l’algorithme de base
d’apprentissage du MLP, et dont l’amélioration de ses performances constitue l’objectif
principal de notre travail. La RP est un algorithme puissant, utile et relativement facile à
comprendre. C’est un algorithme simple même pour les modèles complexes ayant des
centaines ou des milliers de paramètres [109, 95]. Malgré son succès accentué dans
nombreuses application, la RP possède cependant un taux de convergence lent. Afin
d’accroître les performances de la RP, plusieurs travaux ont été proposés dans la
littérature [117-130]. Parmi les méthodes proposées, citons : Méthodes basées sur les
poids initiaux [117-123], Méthodes basées sur le gain d’apprentissage [110, 124],
Méthodes basées sur les fonctions d’activation [125-127].

T T T T T T T T

x(n-d) x(n-d) x(n-d)

+ + + +
BP
x(n-d) x(n-d) x(n-d) - - - -
+ + + + e1( ) ( n ) eN( 1) ( n )
1 1
BP e1(1) ( n ) (1)
e2 ( n )
(1)
eN −1 ( n ) eN(1) ( n )
1 1

- - - -
e1( ) ( n ) eN( 2) ( n )
2 2
e1( 2) ( n ) e2( 2) ( n ) eN( 2)−1 ( n )
2
eN( 2) ( n )
2

x(n-d) x(n-d) x(n-d) x(n-d)

BP + + + +
- - - -
( 4)
e1( ) ( n ) eN 4 ( n )
4
e1( 4) ( n ) e2( 4)
(n) eN ( 4)
(n) eN( 4) ( n )
4 −1 4

x(n-d) x(n-d) x(n-d) x(n-d) x(n-d) x(n-d)

x(n-d) x(n-d)
BP BP

N N
e1( ) ( n ) eN( ) ( n ) (N )
e1( ) ( n ) eN ( n )
N
e1( N ) ( n ) e2( N ) ( n ) eN( N )−1 ( n ) eN( N ) ( n ) e1( N ) ( n ) e2( N ) ( n ) eN( N )−1 ( n ) eN( N ) ( n )
N
N

(a) (b)
Figure 4.17 Structure de l’égaliseur MLP avec deux types d’apprentissage, l’apprentissage HBP (a) et
l’apprentissage NHBP (b).

87
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

Notre méthode consiste à améliorer l’algorithme conventionnel de la rétro-propagation

du gradient, en créant un nouvel hiérarchique RP pour optimiser les coefficients de
l’égaliseur à base du perceptron multicouche (MLP). La méthode proposée est basé sur
une méthode précédemment introduite dans [94, 114], pour améliorer les performances
de l'algorithme RP. Cette méthode est basée sur un nouveau schéma d’apprentissage
nommé HBP. Nous avons dénoté notre méthode par NHBP (pour : A new scheme
hierarchical BP). La figure 4.17 montre la différence entre la nouvelle stratégie
d’apprentissage (NHBP) [131], et la stratégie proposée dans [94, 114].
Dans la figure 4.17 (a), Chaque algorithme optimise un sous-MLP à deux couches. Ces
sous-MLP sont disposés de la couche d'entrée à la couche de sortie du MLP. Dans la
figure 4.17 (b), le MLP peut être divisé en deux sous-MLP, et chaque sous-MLP est
optimisé par son propre algorithme BP dans lequel le premier BP optimise la première
couche et l'autre optimise toutes les autres couches (deuxième couche vers la couche de
sortie).
4.5.2 Performance de la méthode proposée
La performance du nouvel hiérarchique BP (NHBP) est évaluée et comparée à la
stratégie d’apprentissage conventionnelle (BP) et à la stratégie d’apprentissage (HBP).
Les figures 4.18 et 4.19 montrent la différence entre la stratégie d’apprentissage
conventionnel (BP) et la nouvelle stratégie d’apprentissage (NHBP).
La structure du MLP-DFE utilisé dans la simulation contient cinq échantillons dans la
couche d'entrée, quatre échantillons dans la section direct et un échantillon dans la
section de retour, le nombre de neurones dans la première et la deuxième couche cachée
et dans la couche de sortie est 9, 3 et 1, respectivement {(4,1) DFE avec (9,3,1) MLP
Structure}. Les trois algorithmes sont évalués dans la même structure DFE-MLP.
Le message numérique appliqué au canal est constituée des symboles {-1, 1}
uniformément distribués. Le bruit du canal est considéré comme un bruit blanc
Gaussien additif avec un rapport signal sur bruit (SNR) de 25dB.

Section direct Section de retour

T T T T T T

v1(1) ( n ) vN(1)−1 ( n ) vN(1) ( n )

v2(1) ( n ) 1
1

v1( 2) ( n ) vN( 2)−1 ( n )

2
vN( 2) ( n )
2

Couche de sortie
BP v ( 3) ( n ) vɶ (3) ( n ) = xˆ ( n − d )
e ( n) -

+
x(n-d)

Figure 4.18 Apprentissage de trois couches DFE-MLP par la stratégie conventionnelle (BP).

88
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

Section direct Section de retour

T T T T T T

η (1) , β (1) w(1) ( n )

BP1 -
-
v1(1) ( n ) (1)
vN(1)−1 ( n )
e2 ( n ) 1

+ eN(1) ( n )
+ 1
(1) (1)
e1 ( n ) e N ( n ) x(n-d)
1
(2) x(n-d)
w (n)

v1( 2) ( n ) vN( 2)−1 ( n )

2
vN( 2) ( n )
2

w( 3) ( n )
η ( 2) , β ( 2)
Couche de sortie
BP2 v ( 3) ( n ) vɶ (3) ( n ) = xˆ ( n − d )
e ( 3) ( n ) -

+
x(n-d)
Figure 4.19 Apprentissage de trois couches DFE-MLP par la nouvelle stratégie (NHBP).

Les paramètres d'apprentissage η = 0,07, β = 0,05 sont utilisés pour l'algorithme BP et

les paramètres d'apprentissage η(1) = 0,07, β(1) = 0,05, η(2) = 0,07, β(2) = 0,05 et η(3) =
0,07, β(3) = 0,05 sont utilisés pour les algorithmes NHBP et HBP [9,94, 114].
Où : η est le pas d’apprentissage des poids, β est le pas d’apprentissage des biais (seuil
propre au neurone qui est un nombre réel représentant la limite à partir de laquelle le
neurone s’activera).
D’après la figure 4.18, on peut voir que le i ème neurone de la p ème couche accepte les
entrées réelles v(j p −1) ( n ) , ( j = 1, 2,.....N p −1 ) et génère une sortie exprimée par :
N p −1

si( p)
( n ) =  wij( p ) ( n )v(j p −1) ( n ) + Ii( p ) ( n ) (4.18)
j =1

vi(
p)
(n) = f si(( p)
( n )) (4.19)

Les ajustements des poids wij(

p)
(n) et les biais I i( p ) ( n ) dans l’algorithme BP s’écrivent
comme suit :

wij(
p)
( n ) = −η ( p ) .∇ ∆w( ) ( n ) (ζ i( p ) ( n ) ) + wij( p ) ( n − 1)
ij
p

= η ( ) .δ i( ) ( n ) .v(j ) ( n ) + wij( ) ( n − 1)
p p p −1 p
(4.20)

I i( ) ( n ) = − β ( ) .∇
p p
∆Ii( ) ( n )
p (ζ ( ) ( n )) = β ( ) .δ ( ) ( n )
i
p p
i
p
(4.21)

Où ζ i(
p)
(n) la fonction de coût à la sortie du ième neurone de la pème couche, cette
fonction est donnée par l’équation (4.22), ∇ x ( ) est le gradient de ζ i( p ) ( n ) .
2
ζ i( ) ( n ) = ei( ) ( n )
p p
(4.22)

ei( ) ( n ) = x ( n − d ) − vi( ) ( n )
p p
(4.23)
( p)
Où vi ( n ) est la sortie du ième neurone de la pème couche, et x ( n − d ) les données
transmises retardées.

89
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

La fonction delta δ i( p ) ( n ) dans l'équation (4.20) et l'équation (4.21) peut être définie
comme :
  2

( )(
δ i( p ) ( n ) = −∇ s( p ) n
ζ ( ) ( n ) ) = e( ) ( n ) .  1 − ( v ( ) ( n ) ) 
i
p
i
p
i
p
(4.24)
i  

En outre, la formule pour la (p-1)ème couche peut être obtenue comme :

 Np

δ i( p −1) ( n ) =   δ (j p ) ( n ) w(jip ) ( n )  .vi'( p −1) ( n ) (4.25)
 
 j =1 

Où vi'( p −1) ( n ) est la dérivée de vi( p −1) ( n ) .

wij(
p −1)
( n ) = η ( p ) .δ i( p −1) ( n ) .v(j p − 2) ( n ) + wij( p −1) ( n − 1) (4.26)

I i(
p −1)
( n ) = β ( p ) .δ i( p −1) ( n ) (4.27)

Les formules pour la nouvelle stratégie NHBP (voir figure 4.19) s’écrivent comme suit :
Pour le premier algorithme (BP1): les ajustements des poids et les biais peuvent être
écrits comme :
wij( ) ( n ) = −η ( ) .∇
1 1
wij( ) ( n )
1 (ξ ( ) ( n )) + w( ) ( n − 1)
i
1 1
ij

∂si( ) ( n )
1
= −η .∇ (1)
si( ) ( n )
1 (ξ (1)
i ( n )).
∂wij (1)
(n)
+ wij( ) ( n − 1)
1

= η ( ) .δ i( ) ( n ) .v(j ) ( n ) + wij( ) ( n − 1)
1 1 0 1
(4.28)

I i( ) ( n ) = − β ( ) .∇
1 1
I i( ) ( n )
1 (ξ ( ) ( n ) )
i
1

∂si( ) ( n )
1
= − β ( ) .∇
1
si( ) ( n )
1 ( ξ (1) ( n ) . ) ∂I ( ) ( n ) i
1

= β ( ) .δ i( ) ( n )
1 1
(4.29)

La fonction delta peut être évaluée comme :

  2

( )(
δ i(1) ( n ) = −∇ s(1) n
ξ ( ) ( n ) ) = e( ) ( n ) .  1 − ( v ( ) ( n ) ) 
i
1
i
1
i
1
(4.30)
i  

Pour le deuxième algorithme (BP2): les ajustements des poids w(j3) ( n ) et les biais
I ( ) ( n ) peuvent être écrits comme suit :
3

w(j ) ( n ) = −η ( ) .∇
3 3
w(j ) ( n )
3 (ξ ( ) ( n )) + w( ) ( n − 1)
3
j
3

∂s ( ) ( n )
3
( 3)
= −η .∇ s(3)
(n) (ξ ( 3)
( n )).
∂w j ( 3)
(n)
+ w(j ) ( n − 1)
3

= η ( ) .δ ( ) ( n ) .v(j ) ( n ) + w(j ) ( n − 1)
3 3 2 3
(4.31)

90
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

I    n    B  . I 3
3 3
 n     n  
3

s    n 
  n .
3
 3  3
  B . s3
n I    n 
3

 B  .    n 
3 3
(4.32)

La fonction delta  3  n  peut être évaluée comme :

 
    n    e   n  .  1   v    n   
 2
 3  n    s3 3 3 3
(4. 33)
n
 

Les ajustements des poids wij 2   n  et les biais I i 2  n  peuvent être écrits comme :

wij   n      . i   n  .vj   n   wij   n  1

2 3 2 1 2
(4.34)

Ii   B  . i   n 
2 3 2
(4.35)

La fonction delta  i 2  n  peut être évaluée comme :

 i   n       n  wi  .vi   n 
2 3 3 '2
(4.36)

Où vi' 2  n  est la dérivée de vi 2  n  .

La figures 4.20(a), montre les courbes de l'erreur quadratique moyenne des trois
algorithmes dans le canal H1(z), ces courbes montrent une amélioration dans le temps de
convergence et aussi dans le niveau MSE lors de l'utilisation de la méthode proposée. Il
est également clairement montré que la nouvelle stratégie NHBP présente un niveau
MSE plus faible que la stratégie d’apprentissage HBP. Comme le montre la figure
4.21(a), une amélioration similaire est également obtenue pour le canal H2(z) malgré sa
distorsion sévère par rapport au canal H1(z).

(a) (b)
Figure. 4.20 (a) courbes de l’erreur quadratique moyenne, (b) courbes BER du canal H1(z).

91
Chapitre 4 Égalisation à base des réseaux de neurones artificiels

(a) (b)
Figure. 4.21 (a) courbes de l’erreur quadratique moyenne, (b) courbes BER du canal H2(z).

Les figures 4.20(b) et 4.21(b) illustrent les courbes du BER (Bit Error Rate) des trois
algorithmes pour les deux canaux H1(z) et H2(z), respectivement, ces courbes montrent
que la méthode proposée présente de bons résultats dans un environnement fortement
bruité par rapport aux autres méthodes. Ces courbes sont obtenues en prenant en
moyenne 100 simulations indépendantes de longueur 10000 symboles. Les 2000
premiers symboles sont utilisés pour l’apprentissage et les autres sont utilisées pour le
test. Les résultats indiquent que la méthode proposée donne un BER plus faible que les
autres méthodes.

4.6 CONCLUSION

Nous avons utilisé, dans ce chapitre, les réseaux de neurones dans la fonction
d’égalisation. Nous avons examiné la fonctionnalité et les performances de ces
égaliseurs en tenant compte du type du réseau de neurones et l’algorithme
d’apprentissage utilisés.
Les réseaux de neurone constituent un outil puissant dans le domaine du filtrage
adaptatif non linéaire, pour les communications numériques. Beaucoup de recherches se
sont consacrés à développés des techniques permettant d’accélérer le taux
d’apprentissage de ces réseaux. Dans ce contexte, nous avons proposé des améliorations
des capacités d'apprentissage des filtres égaliseurs adaptatifs à base du perceptron
multicouche. Notre contribution est focalisée plus particulièrement au niveau de la
structure du filtre à base du MLP et à l’algorithme de rétro-propagation du gradient. La
performance de la nouvelle méthode est évaluée avec deux couches cachées et il est
démontré qu'une amélioration de la performance est obtenue par rapport à d’autres
méthodes.

92
 CHAPITRE 5
ALGORITHMES META-HEURISTIQUE POUR L’EGALISATION :
HYBRIDATION ET METHODE PROPOSEE

5.1 INTRODUCTION

Les algorithmes d'optimisation méta-heuristiques sont des méthodes stochastiques qui

visent à résoudre un large panel de problèmes, sans pour autant que l’utilisateur ait à
modifier leur structure. Ces méthodes sont inspirées d’analogies avec des domaines
aussi variés que la physique, la génétique ou encore l’éthologie. Les méta-heuristiques
ont vite rencontré un vif succès grâce à leur simplicité d’emploi mais aussi à leur forte
modularité. Ces méthodes ont une grande capacité à trouver l’optimum global du
problème. Contrairement à la plupart des méthodes déterministes, elles ne nécessitent ni
point de départ, ni la connaissance du gradient de la fonction objectif pour atteindre la
solution optimale. On sépare tout d’abord les méthodes d’optimisation en deux grandes
familles de méthodes : les méthodes exactes et les méthodes approchées. Les méthodes
exactes sont connues par le fait qu’elles garantissent l’optimalité de la solution mais
elles sont très gourmandes en termes de temps de calcul et de l’espace mémoire
nécessaire. La nécessité de disposer d’une solution de bonne qualité (semi optimale)
avec un coût de recherche (temps de calcul et espace mémoire) raisonnable a conduit les
chercheurs à proposer un autre type de méthodes d’optimisation, communément
connues par les méthodes approchées (voir figure 5.1). De nombreuses méthodes
approchées ont été proposées. Ces méthodes sont souvent classées en deux catégories:
des méthodes heuristiques et des méthodes méta-heuristiques [49].

Les méthodes de résolution de problèmes d’optimisation

Exactes Approchées Hybrides

Heuristiques Méta-heuristiques

A base de solution A base de solution

unique multiple

Figure 5.1 Classification de méthodes de résolution de problèmes d’optimisation.

Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

Les heuristiques ont rencontré des difficultés pour avoir une solution réalisable et de
bonne qualité aux problèmes d’optimisation difficiles, pour cela les méta-heuristiques
ont fait leur apparition. Ces algorithmes sont plus complets et complexes qu’une simple
heuristique, et permettent d’explorer l’espace de recherche efficacement afin de
déterminer des solutions (presque) optimales [50].
Les méta-heuristiques peuvent être classées en deux catégories: les méthodes à base de
solution unique et les méthodes à base de population de solutions (ou à base de solution
multiple). Les méthodes à base de solution unique se basent généralement sur une
recherche par voisinage, malheureusement la plupart de ces méthodes souffrent du
problème de la convergence vers l’optimum local. Cependant, les méthodes à base de
population de solutions se basent sur une recherche globale sur tout l'espace de
recherche. En fait, elles permettent d’échapper au problème de l’optimum local et de
déterminer l’optimum global.
L’idée de combiner des méthodes exactes et/ou des méthodes approchées pour créer de
nouvelles méthodes a donné naissance à un pseudo classe de méthodes. C’est la classe
des méthodes hybrides. Ces dernières ont construit une tendance qui a suscité l’intérêt
de plusieurs communautés de chercheurs. Aucune méthode n’est efficace pour tous les
types de problèmes. En fait, chaque méthode propose des avantages dont on cherche à
maximiser et des lacunes dont on cherche à combler. Partant de ce principe, beaucoup
de chercheurs ont envisagé la combinaison des méthodes de résolution des problèmes
afin de tirer profit des points forts de chacune et de proposer des alternatives plus
efficaces et plus performantes. On distingue trois types d’hybridations: des hybridations
entre des méthodes exactes, des hybridations entre des méthodes approchées, des
hybridations entre des méthodes exactes et des méthodes approchées [49].
Ce chapitre est consacré pour la description de la méthode hybride proposée pour
améliorer les performances de l’égaliseur à base des réseaux de neurones et aussi à
donner la notion de l’hybridation.

5.2 HYBRIDATION
L’hybridation est une tendance observée dans de nombreux travaux réalisés sur les
algorithmes d’optimisation ces dernières années. L’hybridation consiste à combiner les
caractéristiques de deux méthodes différentes pour tirer les avantages des deux
méthodes, elles peuvent être vues comme la solution parfaite vis-à-vis des désavantages
et des méthodes locales et des méthodes globales. Au fait, les méthodes locales mènent
à une solution locale. Tandis que les méthodes globales consomment énormément de
temps, il parait claire qu’un compromis entre exploitation et exploration doit être trouvé
d’où l’utilité des méthodes hybrides. Quand l’hybridation est basée sur une vraie
maîtrise de l’idée derrière chacune des méthodes candidates, l’augmentation de la
précision ainsi que la diminution du temps de calcul est assuré [42].
Actuellement, les méta-heuristiques hybrides sont devenues plus populaires car les
meilleurs résultats trouvés pour plusieurs problèmes d’optimisation ont étés obtenus
avec des algorithmes hybrides.

94
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

L’hybridation des méta-heuristiques peut être divisée en deux grandes parties :

hybridation des méta-heuristiques avec des méta-heuristiques et hybridation des méta-
heuristiques avec des méthodes exactes.
5.2.1 Hybridation méta-heuristiques/ méta-heuristiques
Selon les taxinomies existantes, dans divers domaines, l’hybridation des méta-
heuristiques entre elles se fait en deux classifications principales. Une classification
hiérarchique et une classification à plat. La figure 5.2 représente la structure de cette
taxinomie.
Méta-heuristique hybride

Niveau : Bas niveau Haut niveau Classification

hiérarchique

Mode : Relais Co-évolution Relais Co-évolution

Nature : Domaine : Fonction :

Homogène Global Généraliste Classification
à plat
Hétérogène Partiel Spécialiste

Figure 5.2 Taxinomie de l’hybridation des méta-heuristiques.

[Link] La classification hiérarchique

La classification hiérarchique est caractérisée par le niveau et le mode de l’hybridation.
Le premier pas dans la classification sépare différents niveaux d’hybridation, on
distingue les hybridations de bas niveau (Low-Level) et les hybridations de haut niveau
(High-Level). Dans l’hybridation de bas niveau, une fonction interne d’une méta-
heuristique est remplacée par une autre méta-heuristique. Par contre, dans l’hybridation
de haut niveau, chaque méta-heuristique garde sa propriété au cours de l’hybridation. Il
n’y a pas de relation directe entre les mécanismes internes des méta-heuristiques
hybridées. La figure 5.3 illustre la notion de niveau pour l’hybridation de deux méta-
heuristiques [132].

Méthode A Méthode A

Méthode B
Méthode B

Hybridation de bas niveau Hybridation de haut niveau

Figure 5.3 Le niveau d’hybridation. Dans l’hybridation de bas niveau, la méthode est modifiée, ici la
méthode B devient un élément fonctionnel de A. Pour l’hybridation de haut niveau, les méthodes A et B ne
sont pas modifiées.

95
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

Chaque niveau d’hybridation engendre deux modes de coopération à savoir, le mode

relais et le mode co-évolutionnaire. Dans le mode relais, les méthodes sont exécutées les
unes après les autre dans un ordre prédéterminé, c’est-à-dire le résultat de la première
méthode est le début de la méthode suivante. Quand les différentes méthodes
fonctionnent en parallèle pour explorer l’espace de recherche, on parle de mode co-
évolutionnaire. Dans ce mode, chaque méthode hybridée conduit une recherche dans un
espace de solution donné.
Selon la classification hiérarchique, nous obtenons, à partir de la combinaison des
modes et des niveaux, quatre classes d’hybridation qui sont : l’hybridation relais de bas
niveau, l’hybridation co-évolutionnaire de bas niveau, l’hybridation relais de haut
niveau et l’hybridation co-évolutionnaire de haut niveau.
 L’hybridation relais de bas niveau (LRH : Low-level Relay Hybrid), elle
englobe les méta-heuristiques à base de solution unique dans lesquelles une autre
méthode est incorporée pour former un nouvel algorithme. Un exemple de cette
classe est réalisé dans [150], les auteurs combine un recuit simulé (SA :
Simulated Annealing) et une méthode de descente déterministe (SDW : Steepest
Descend Walk) pour résoudre le problème du voyageur de commerce (TSP :
Traveling Salesman Problem). Le principe général de leur algorithme hybride
est de limiter la recherche du recuit simulé à l’espace des optima locaux par
l’intégration de la méthode de descente déterministe au recuit simulé.
 L’hybridation Co-évolutionnaire de bas niveau (LCH : Low-level Co-
evolutionary Hybrid), consiste à incorporer une ou plusieurs méta-heuristiques à
base de solution unique dans une méta-heuristique à population de solutions.
L’avantage de ce type d’hybridation est de compenser la puissance
d’exploitation d’une recherche locale et celle d’exploration d’une recherche
globale [42]. Les méta-heuristiques basées sur une population de solutions sont
plutôt performantes pour l’exploration de l’espace de recherche alors qu’elles
sont beaucoup moins pour l’exploitation des solutions qu’elles ont trouvées.
C’est pourquoi, la plupart de ces algorithmes ont été hybridées avec des
méthodes à solution unique qui elles sont des méthodes de recherche
performantes en terme d’exploitation. Ainsi, l’hybride LCH réalise l’équilibre
exploration/exploitation en hybridant deux algorithmes complémentaires, l’un
optimise localement et l’autre optimise d’une manière globale.
 L’hybridation relais de haut niveau (HRH : High-level Relay Hybrid), elle a
lieu lorsque les méta-heuristiques sont utilisées de manière séquentielle c’est-à-
dire la solution finale de la première méta-heuristique est la solution initiale de la
méta-heuristique suivante. Dans cette procédure, toutes les méthodes gardent
leur intégrité. Par exemple, on sait que les algorithmes à population de solutions
ne parviennent pas à ajuster finement les solutions proches des bons optima.
Mais, à l’inverse, leur force réside dans la capacité de trouver rapidement des
régions de bonne qualité, même pour des espaces de recherche très complexes.
Une fois ces régions repérées, il peut être intéressant de poursuivre la recherche

96
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

en affinant les solutions performantes qui s’y trouvent, pour cela, on applique
une recherche itérative à solution unique après la recherche itérative à solution
multiple.
 L’hybridation Co-évolutionnaire de haut niveau (HCH : High-level Co-
evolutionary Hybrid), la structure interne des méta-heuristique hybridées n’est
pas modifiée. Les méta-heuristiques utilisées travaillent simultanément (en
parallèle) en échangeant des informations entre elles afin de trouver la solution
optimale du problème posé. Un exemple d’hybridation HCH est le modèle des
algorithmes génétiques en îles [132]. Dans ce modèle, la population est partagée
en petites sous-populations géographiquement éloignées. Un GA fait évoluer
chaque sous-population et les individus peuvent migrer d’une sous-population à
l’autre. Plusieurs paramètres configurent cet hybride : la topologie des
connexions entre les sous-populations, le nombre d’individus qui migrent, la
fréquence de la migration et la stratégie du remplacement.
[Link] La classification à plat
La classification à plat des méta-heuristiques est caractérisée par le type des méthodes
hybridées, leur domaine d’application et la nature de leurs fonctions. Selon le type
d’hybridation, on trouve des méthodes hybridées homogènes et des méthodes hybridées
hétérogènes. Un hybride est dit homogène lorsque les méthodes hybridées se basent sur
la même méta-heuristique. Par exemple, le modèle d’algorithme génétique en iles est un
hybride homogène. En général, on utilise des paramétrages différents pour chaque méta-
heuristique hybridée [132]. Un hybride est dit hétérogène lorsque les méta-heuristiques
utilisées sont différentes (voir figure 5.4).

Recherche par Recuit simulé

dispersion

Medium de
communication

Algorithme Recherche
génétique tabou

Figure 5.4 Hybridation HCH hétérogène. Plusieurs algorithmes de recherche différents coopèrent pour
résoudre le problème.

Le domaine d’application des méta-heuristiques hybridées permet de distinguer deux

grandes classes d’hybridation, les hybridations globales et les hybridations partielles.
L’hybridation globale a lieu lorsque toutes les méthodes hybridées sont appliquées à la
totalité de l’espace de recherche. L’objectif de ce type d’hybridation est d’explorer
l’espace de recherche plus intensément. Pour l’hybridation partielle, le problème à

97
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

résoudre est décomposé en sous problèmes, ayant chacun un espace de recherche

propre. Ainsi, chaque méta-heuristique de l’hybride résout un sous-problème dans son
propre espace de recherche. Selon le problème traité, on distingue deux types
d’hybridation, une hybridation généraliste et une hybridation spécialiste. On parle
d’hybridation généraliste quand toutes les méta-heuristiques hybridées traitent le même
problème d’optimisation. A l’inverse, les hybridations spécialistes ont lieu lorsque
chaque méta-heuristique traite un problème différent. Un exemple de ce type est
l’utilisation d’une méta-heuristique pour initialiser les paramètres d’une autre méta-
heuristique.
5.2.2 Hybridation méta-heuristiques/méthodes exactes
L’hybridation des méta-heuristiques avec les méthodes exactes a été moins usuelle que
l’hybridation méta-heuristique/méta-heuristique car la plupart des chercheurs la
considérait assez inutile. En ces derniers temps, cette hybridation commence à s’étendre
et un grand nombre d’articles a été publié concernant cette étude. Dans [133], Talbi a
généralisé sa taxinomie aux méthodes exactes de sorte que la classification hiérarchique
est applicable à ce genre d’hybridation. La classe d’hybridation relais de bas niveau
(LRH) est plus efficace en ayant une méta-heuristique hybridée avec une méthode
exacte. La classe d’hybridation Co-évolutionnaire de bas niveau (LCH) regroupe une
méta-heuristique à base de population dont laquelle un opérateur est remplacé par une
méthode exacte. La classe LCH concerne aussi toutes les méta-heuristiques basées sur
l’exploration du voisinage où une méthode exacte intervient pour trouver la meilleure
solution du voisinage. Dans la classe d’hybridation relais de haut niveau (HRH), les
méta-heuristiques et les méthodes exactes hybridées sont réalisées séquentiellement en
gardant leur propriété. L’hybridation Co-évolutionnaire de haut niveau (HCH) est
difficile à réaliser entre une méthode exacte et une méta-heuristique car chaque
approche résout un problème différent puis, un échange d’information est indispensable
entre elles.
Pour la classification à plat, Talbi [133] considère que les mêmes étapes qu’en
hybridation méta-heuristique/méta-heuristique sont applicables à l’hybridation méta
heuristique/méthodes exactes. Dans [134], les auteurs proposent une autre classification
pour l’hybridation des méta-heuristiques avec les méthodes exactes. Ils divisent les
méthodes hybridées en deux grandes classes, les hybridations collaboratives et celle
intégratives. Dans l’hybridation collaborative, les deux approches communiquent entre
elles en échangeant des informations séquentiellement ou parallèlement. L’hybridation
séquentielle a lieu quand une méthode exacte initialise une méta-heuristique ou vice-
versa. L’hybridation collaborative parallèle a lieu quand la communication entre les
méta-heuristiques et les méthodes exactes s’effectue parallèlement.
Dans l’hybridation intégrative, l’un des algorithmes (méta-heuristique ou exact) est
intégré dans l’autre, c’est-à-dire qu’une méta-heuristique est intégrée dans une méthode
exacte ou inversement. Pour résoudre un problème combinatoire de façon exacte, une
méthode exacte est incorporée dans une méta-heuristique.

98
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

5.3 MÉTHODE PROPOSÉE

A la fin de l’état d’art sur l’hybridation, celle-ci est résumée en trois grands types :
hybridation en série, l’hybridation parallèle ou hybridation d’insertion. La technique
d’hybridation adoptée dans notre travail est celle de l’hybridation en insertion décrite
par la suite. En effet, l’idée d’hybridation en insertion est venue pour améliorer les
résultats de la fonction objectif. Cependant nous avons choisi d’hybrider les deux
algorithmes méta-heuristiques décrits au deuxième chapitre : SFLA et DSO en insérant
une partie du DSO dans le SFLA. En d’autre terme nous utilisons la stratégie de
recherche de DSO pour l'exploration locale de l’algorithme SFLA. L’algorithme SFLA
est considéré comme l'un des algorithmes les plus importants. Leurs applications ont
montré leur efficacité pour résoudre divers problèmes d'optimisation dans différents
domaines. Récemment, Panda et al. [135] ont utilisé cet algorithme pour optimiser la
topologie de l'ANN dans l'égalisation de canal. Les résultats ont montré que cet
algorithme était capable de trouver une meilleure solution comparativement à d'autres
algorithmes. En outre, de nombreuses modifications sont proposées pour améliorer les
performances de l'algorithme standard [136-144]. Les auteurs dans [136] ont présenté
une version modifiée de l’algorithme SFLA (MSFLA) dans laquelle un facteur
d'accélération C est introduit. Ce facteur doit être compris entre 1,3 et 2,1.
Dans cette partie nous allons proposer une nouvelle stratégie basée sur l’algorithme
DSO pour améliorer la position de la plus mauvaise grenouille dans l’algorithme SFLA.
L’algorithme DSO est utilisé par Tripathy et al. [145] comme un algorithme
d'apprentissage d'un réseau de neurones à trois couches, ainsi utilisée par Panda et al.
[146] pour le problème de l'égalisation. Pour améliorer les résultats de la fonction
objectif, l'algorithme DSO utilise une stratégie de recherche efficace, supérieure à celle
utilisée dans l’algorithme SFLA standard. Cependant la convergence de l’algorithme
DSO est lente par rapport à l’algorithme SFLA. En effet, l’idée d’hybridation est venue
pour donner une meilleure convergence (rapidité et proximité entre la solution optimale
et la solution obtenue). Pour cela nous avons utilisé la stratégie de recherche du DSO
pour l'exploration locale dans le standard SFLA, et pour la recherche globale, nous
avons conservé la stratégie de l'algorithme SFLA. Dans la recherche locale de
l'algorithme SFLA, la plus mauvaise grenouille Xw effectue un saut vers la meilleure Xb .
Si le saut ne produit pas une meilleure solution, on applique la même règle en
remplaçant cette fois Xb par la solution globale Xg. Pour l'algorithme proposé, la plus
mauvaise grenouille est également améliorée sa position par un saut vers la meilleur
grenouille Xb dans le sous-mèmeplexe et de la meilleure grenouille dans l'ensemble des
grenouille. Cependant, l'algorithme hybride proposé, adopte une stratégie différente
pour améliorer la position de la plus mauvaise grenouille (utilise la stratégie de
recherche de DSO).
Les étapes de l'algorithme proposé sont résumées comme suit [147]:
Étape 1: Générez une population P composée d'un ensemble de grenouilles (chaque
grenouille représente une solution au problème). La grenouille j est exprimée comme :
X j = ( X 1j , X 2j ,..., X jN ) où N représente le nombre de variables.

99
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

Étape 2: Évaluez chaque solution. Ensuite, triez la population en fonction de sa solution

(fitness) et déterminez la meilleure solution.
Étape 3: Partitionner la population en m mèmeplexes.
Etape 4: Recherche locale, pour chaque mèmeplexe de n grenouilles, il existe un sous-
mèmeplexe contenant des grenouilles qui sont générées par une distribution de
probabilité triangulaire donnée comme suit [148] :
2 ( n +1− j )
Pj = , j = 1,....., n (5.1)
n ( n + 1)
Où j est le nombre de la grenouille actuelle dans la population en fonction de la valeur
de l’adaptabilité (fitness) dans l'ordre décroissant.
Étape 5: Déterminez la meilleure et la plus mauvaise position de grenouille. La position
de la pire grenouille est amélioré en fonction de l’opération « mise à jour de position »
utilisée par l’algorithme DSO; pour cela, nous utilisons trois paramètres qui sont:
coefficient avant (α ) , coefficient arrière ( β ) , probabilité de transfert ( pα ) .
La position est améliorée comme indiqué sur la figure 5.5. X bi représente le
i ème ( i = 1,2,...., N ) variable de la meilleure grenouille dans son sous-mèmeplexe.
L’amélioration de la position X wi est déterminée par la probabilité de transfert ( pα ) .
Notez que, si rand ( ) < pα , la région avant sera le bon choix, sinon, la région arrière est
prise en compte.
L'étape adaptative est donnée par l'équation suivante :
step i = X bi − X wi (5.2)

Région arrière Région avant

step i
a ×stepi
β ×stepi
P Q
S V
i i
Xs X w
X b Xv
Figure 5.5 Mise à jour de la position.
La nouvelle position de la pire grenouille est mise à jour comme suit :
Pour chaque dimension i ∈ [1, N ] Faire
Si rand ( ) < pα
X v = X wi + (1 + α ) . ( X bi − X wi ) (5.3)
X wi ( new ) = X wi + rand ( ) .( X v − X wi ) , ( − Dmax ≤ X v ≤ Dmax ) (5.4)
Sinon
X s = X wi − β . ( X bi − X wi ) (5.5)
X wi ( new ) = X wi + rand ( ) . ( X s − X wi ) , ( − Dmax ≤ X s ≤ Dmax ) (5.6)
Fin Si
Fin Pour

100
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

Où X b et X w sont respectivement la meilleure solution et la mauvaise solution dans le

sous-mèmeplexe. Le terme rand ( ) est un nombre aléatoire dans l’intervalle [0,1] . Dmax
est le changement maximum autorisé de la position de la grenouille à chaque saut. Si la
nouvelle position de la plus mauvaise grenouille n'est pas meilleure qu'auparavant, les
calculs dans les équations (5.3), (5.4), (5.5) et (5.6) sont répétés en remplaçant X b
par X g . Si cette opération ne peut toujours pas améliorer la position, dans ce cas, la
position de la pire grenouille est généré aléatoirement par l'équation suivante :

X wi ( new ) = X min
i
+ rand ( ) . ( X max
i i
− X min ) (5.7)

Où X max et X min représentent l’intervalle de recherche maximale et minimale. Après la

mis à jour de la plus mauvaise grenouille dans chaque mèmeplexe. Les mèmeplexes
sont mélangées pour améliorer l'échange de l’information globale.

5.4 APPLICATION Á L’ÉGALISATION

Dans cette section, nous présentons les résultats numériques obtenus par l’algorithme
proposé, pour optimiser les poids d’un réseau de neurones appliqués à l’égalisation de
canaux dans les systèmes de communication numériques. L’intérêt est de montrer que
l’algorithme proposé donne des résultats meilleurs pour différents modèles des canaux
non linéaires.
5.4.1 Modèle de système
Le modèle de système utilisé pour tester l’algorithme proposé est illustré à la figure 5.6.
Une séquence binaire est transmise à travers un canal qui est modélisé comme un filtre
RIF (Réponse Impulsionnelle Finie) avec une fonction de transfert donnée par :
N −1
H ( z ) =  hi z − i (5.8)
i =0

La sortie du canal linéaire à l'instant k est exprimée par l'équation suivante:

N −1
z ( k ) =  hi x ( k − i ) (5.9)
i =0

Où hi ( i = 0,1,.....N − 1) est la réponse impulsionnelle du canal. Pour tester les

performances de l'égaliseur dans un canal non linéaire, nous introduisons la non-
linéarité (modélisée par un filtre de Volterra du troisième ordre) comme suit :

ẑ ( k ) = D1 z ( k ) + D2 z 2 ( k ) + D3 z 3 ( k ) (5.10)

Où Di est le i ème coefficient non linéaire.

101
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

Canal non-linéaire
Canal linéaire Non-linéarité
v (k )
D1
x (k ) z (k ) + ẑ ( k ) +
Canal
(.)1 z-1 z-1 z-1
H(z) +
+
D2 r (k ) r ( k − 1) r ( k − N1 )
Carrée (.)2
D3 Couche d’entrée
Cube (.)3 w(1)
Couche cachée
y1(1) ( k ) y 2(1) ( k ) y (N1) ( k )
2

w( 2 )
Couche de sortie
- y( ) (k )
2
Algorithme
+ adaptatif
Retard
x (k − d )
e (k )

Figure 5.6 Système de communication numérique avec un égaliseur à base de réseau de neurones

La sortie du canal non linéaire ẑ ( k ) est corrompue par un bruit additif blanc gaussien
(BABG ou AWGN : Additive White Gaussian Noise). Les données reçues r ( k ) sont
données par :

r(k) = zˆ ( k ) + v ( k ) (5.11)

La séquence r ( k ) est ensuite envoyée à l’égaliseur à base de réseau de neurones.

La structure de l'égaliseur basé sur le réseau de neurones utilisé dans ce travail est
illustrée à la figure 5.6. La structure est conçue pour être simple pour éviter la
complexité de calcul et minimiser le facteur temps de décision. Dans ce cas, trois
couches sont fixées : La couche d’entrée, une seule couche cachée et la couche de
sortie. D’après la figure 5.6, on peut voir que le j ème neurone dans la couche cachée
accepte les entrées réelles r ( k − i ) , ( i = 0,1,.....N1 ) et génère une sortie exprimée par :

N 1

y (j1) ( k ) = f   w(ji1) ( k ) r ( k − i ) + b(1) ( k )  (5.12)
 i =0 
j

A partir de l'équation (5.12), la sortie de réseau de neurones représentée sur la figure 5.6
peut être décrite comme suit :

 N ( 2) 2
 N (1) 1
 
y ( k ) = h   wj ( k ) f   wji ( k )r ( k − i ) + b(j1) ( k )  + b( 2) ( k ) 
( 2)
(5.13)
 j =1 
  i =0  

Où w(ji1) est le poids de connexion du i ème nœud de la couche d'entrée au j ème nœud de la
couche cachée, w(j2) est le poids de connexion du j ème nœud de la couche cachée au
nœud de sortie de la couche de sortie et b est le niveau de seuil. Dans les expressions
ci-dessus, h représente la fonction d'activation de sortie (linéaire dans ce cas) et f est

102
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

une fonction d'activation non linéaire de la couche cachée. Pour la fonction d’activation
de la couche caché, notre choix s’est porté sur la fonction non linéaire tangente
hyperbolique, car la plupart du temps, cette fonction converge rapidement par rapport
aux fonctions sigmoïdes et logistiques. La fonction d'activation non linéaire utilisée
(figure 5.7), est donnée par :
2
f ( x) = −1 (5.14)
1 + exp ( −2.x )

L'algorithme d'apprentissage modifie les poids du réseau afin de minimiser une fonction
de coût. La fonction de coût la plus fréquemment utilisée est l'erreur quadratique
moyenne (EQM) donnée par :
1 l

2
MSE = ( ei (k ) ) (5.15)
l i =1
Où l est le nombre d'échantillons transmis. L'erreur peut être écrite comme suite :

e(k ) = x (k − d ) − y (k ) (5.16)
Où y ( k ) est la sortie de l'égaliseur et x ( k − d ) les données transmises retardées.

0.8

0.6

0.4

0.2
f(x)

-0.2

-0.4

-0.6

-0.8

-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
x

Figure 5.7 Fonction tangente hyperbolique.

5.4.2 Validation et comparaison avec d’autres méthodes

Dans cette section, La performance de l’algorithme proposée est maintenant examinée
et comparée avec d'autres algorithmes d’apprentissage. Par conséquent, nous avons
utilisé l'erreur quadratique moyenne (EQM) et le taux d'erreur binaire (TEB) pour
évaluer les performances. Le réseau de neurones utilisé dans cette expérience a la
structure de 3-h-1, où 3 et 1 sont respectivement le nombre d'entrées et de sorties, et h
est le nombre de neurones dans la couche cachées. Notez que, l'expérience a été évaluée
pour différents nombres de neurone dans la couche cachés à savoir 3, 4, 5 et 6, et nous
avons choisi la taille de données préparée pour l'entraînement du réseau égale à 500.
Les poids sont initialement générés de manière aléatoire dans l’intervalle [0, 1], tandis
que les biais sont fixés à zéro [149]. La séquence de données transmise est constituée

103
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

des symboles (-1,1) uniformément distribués. Les performances ont été évaluées avec
trois canaux différents possèdent les fonctions de transfert suivantes [146]:
H1 ( z ) = 0.26 + 0.93 z −1 + 0.26 z −2 (5.17)
H 2 ( z ) = 0.304 + 0.9029 z −1 + 0.304 z −2 (5.18)
−1 −2
H 3 ( z ) = 0.341 + 0.876 z + 0.341z (5.19)

La performance est testée en fixant les coefficients donnés dans l'équation (5.10), à 1,
0,1 et 0,05 respectivement [91, 114]. Les données reçues sont données par :
r ( k ) = z ( k ) + 0.1z 2 ( k ) + 0.05 z 3 ( k ) + v ( k ) (5.20)

Où z ( k ) est la sortie de la partie linéaire du canal et v ( k ) est le bruit blanc gaussien

additif. Afin de comparer l’algorithme proposé avec d’autres méthodes, nous avons
reproduit les trois algorithmes suivants:
 PSO proposé par Kennedy et Eberhart [66]. Utilisé dans cette section pour
l'apprentissage de réseau de neurones (ANN-PSO). Les valeurs des
coefficients C1 et C2 sont choisis les mêmes valeurs utilisées dans [146],
pour le problème d'égalisation de canal.
 DSO proposé par Zou et al [82]. Utilisé dans cette section pour
l'apprentissage de réseau de neurones (ANN-DSO). Les paramètres de
contrôle sont choisis de la même manière que dans [82, 146].
 MSFLA proposé par Elbeltagi et al [136]. Utilisé dans cette section pour
l'apprentissage de réseau de neurones (ANN-MSFLA). Pour le MSFLA,
nous avons choisi C (facteur d'accélération) égal à 1,7 car il donne les
meilleurs résultats.
Les performances de l'égaliseur avec les trois canaux différents et les différents
algorithmes sont présentées dans le tableau 5.1 et la figure 5.8. Ces performances en
termes d’EQM et taux d'erreurs binaires (BER) sont obtenues en prenant en moyenne 20
simulations indépendantes. Le nombre d'itérations utilisées pour chaque simulation est
de 500 itérations. Les 100 premières itérations sont utilisées pour l’apprentissage et les
autres sont utilisées pour le test. Les paramètres de simulation des algorithmes PSO,
DSO et SFLA sont présentés dans le tableau 5.2.
Les résultats de l’EQM présentés sur la figure 5.8 (a, c et e) et le tableau 5.1 sont
déterminés en choisissant un rapport signal sur bruit (SNR) de 15 dB.
D'après le tableau 5.1 (EQM ou MSE moyenne de 500 itérations), on peut voir que
l’EQM obtenu par l’algorithme proposé est mieux que les trois autres algorithmes.
L’EQM des deux égaliseurs ANN-MSFLA et ANN-DSO est mieux que l’EQM de
ANN-PSO. Cependant, la performance de ANN-MSFLA est mieux que ANN-DSO
pour les canaux H1(z) et H2(z) et c'est l'inverse pour le canal H3(z), c'est-à-dire la
performance de ANN-DSO est mieux que ANN-MSFLA.

104
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

Tableau 5.1: Comparaison des résultats de PSO, DSO, MSFLA et de l'algorithme proposée
avec SNR = 15 dB.
h Stratégie Canal H1(z) Canal H2(z) Canal H3(z)
EQM BER EQM BER EQM BER
3 ANN-PSO 0.0077 0.0015 0.0109 0.0018 0.0188 0.0029
3 ANN-DSO 0.0043 7.5843e-04 0.0060 8.1687e-04 0.0093 0.0018
3 ANN-MSFLA 0.0036 1.5502e-04 0.0051 5.6466e-04 0.0111 0.0020
3 ANN-proposed 7.9909e-04 4.4177e-05 0.0018 1.6988e-04 0.0067 0.0010
4 ANN-PSO 0.0112 0.0019 0.0149 0.0022 0.0263 0.0035
4 ANN-DSO 0.0071 9.1867e-04 0.0093 9.7229e-04 0.0141 0.0026
4 ANN-MSFLA 0.0045 1.6185e-04 0.0072 5.7289e-04 0.0205 0.0022
4 ANN-proposed 9.9477e-04 6.5462e-05 0.0020 1.5161e-04 0.0080 0.0011
5 ANN-PSO 0.0148 0.0024 0.0222 0.0026 0.0327 0.0038
5 ANN-DSO 0.0084 0.0010 0.0095 0.0014 0.0188 0.0026
5 ANN-MSFLA 0.0050 2.8534e-04 0.0077 6.5743e-04 0.0221 0.0021
5 ANN-proposed 0.0017 9.7590e-05 0.0032 2.2490e-04 0.0072 0.0011
6 ANN-PSO 0.0182 0.0025 0.0228 0.0027 0.0348 0.0047
6 ANN-DSO 0.0124 0.0011 0.0160 0.0016 0.0216 0.0031
6 ANN-MSFLA 0.0061 2.3253e-04 0.0149 7.8474e-04 0.0226 0.0026
6 ANN-proposed 0.0019 1.8454e-04 0.0036 3.0803e-04 0.0087 0.0011

Tableau 5.2: Paramètres de simulation

PSO DSO SFLA

Paramètre Valeur Paramètre Valeur Paramètre Valeur
Nombre d’itérations 500 Nombre d’itérations 500 Nombre d’itérations 500
Nombre de particules 25 Taille de la population 25 Taille de la population 25
Coefficient C1 0.7 Probabilité de transfert 0.8 Mèmeplexes 5
Coefficient C2 0.7 Coefficient avant 1 Mèmes en Mèmeplexe 5
coefficient arrière 10 Mèmes en sous-Mèmeplexe 4
Probabilité de mutation 0.01
génétique

Les figures 5.8 (a, c et e) montrent les courbes de convergence de l'égaliseur avec
différents algorithmes. Ces courbes montrent une amélioration des performances en
termes de niveau de l’EQM lors de l'utilisation de l’algorithme proposé.
Les figures 5.8 (b, d, f) et le tableau 5.1 montrent les performances en termes de BER
des égaliseurs considérés. Le BER est défini comme suit [135] :

Nombre de bits erronés après l'équalization (5.21)

BER=
Nombre total de bits transmis

D'après le tableau 5.1, les résultats montrent que l’algorithme proposé présente de bons
résultats par rapport aux autres algorithmes. Il est également clairement observé à partir
des figures 5.8 (b, d et f) que l’algorithme proposé montre sa supériorité sur les autres
algorithmes lorsque le SNR dépasse 6, 8 et 10 dB respectivement. En plus, d’après les
tableaux 5.3, 5.4 et 5.5, nous remarquons que l’algorithme proposé (ANN-proposé)
présente un BER plus faible par rapport aux autres algorithmes malgré le milieu
fortement bruité (pour la petite valeur de SNR).

105
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

(a) (b)

(c) (d)

(e) (f)

Figure 5.8: Canal H1(z): courbes MSE (a) et courbes BER (b). Canal H2(z): courbes MSE (c) et courbes
BER (d). Canal H3(z): courbes MSE (e) et courbes BER (f)

On note que les courbes MSE et BER représentées sur la figure 5.8 sont réalisés à l'aide
d'une structure de réseau de neurones contenant une seule couche cachée de cinq nœuds.

106
Chapitre 5 Algorithmes méta-heuristique pour l’égalisation

Tableau 5.3: Résultats numériques du BER obtenus sur la figure 5.8(b) pour différentes valeurs
de SNR
algorithmes SNR(dB)
2 4 6 8 10
ANN-PSO 0,07289 0,04008 0,01779 0,00661 0.00322
ANN-DSO 0,07254 0,04039 0,01732 0,00619 0,00232
ANN-MSFLA 0,07110 0,03881 0,01750 0,00556 0,00158
ANN-proposé 0,07064 0,03805 0,01583 0,00472 0,00116

Tableau 5.4: Résultats numériques du BER obtenus sur la figure 5.8(d) pour différentes valeurs
de SNR
algorithmes SNR(dB)
2 4 6 8 10
ANN-PSO 0,09399 0,05757 0,03098 0,01411 0.00643
ANN-DSO 0,09156 0,05615 0,03008 0,01380 0,00575
ANN-MSFLA 0,09040 0,05751 0,02887 0,01331 0,00538
ANN-proposé 0,08953 0,05476 0,02837 0,01200 0,00402

Tableau 5.5: Résultats numériques du BER obtenus sur la figure 5.8(f) pour différentes valeurs
de SNR
algorithmes SNR(dB)
2 4 6 8 10
ANN-PSO 0,11268 0,07689 0,04975 0,02820 0.01473
ANN-DSO 0,11185 0,07773 0,04882 0,02722 0,01465
ANN-MSFLA 0,11002 0,07596 0,04681 0,02583 0,01357
ANN-proposé 0,10785 0,07438 0,04641 0,02520 0,01277

5.5 CONCLUSION
Dans ce chapitre, nous avons présenté une taxinomie des modèles d’hybridation des
algorithmes méta-heuristique. De plus nous avons présenté notre méthode
d’optimisation des poids d’un réseau de neurones appliquée à l’égalisation de canaux
dans les systèmes de communication numériques. Cette méthode est basée sur deux
algorithmes qui sont: Algorithme de saut de grenouille (SFLA) et l’algorithme
d’optimisation de recherche dirigée (DSO). La stratégie de la mise à jour dans la
recherche locale de l’algorithme SFLA est remplacée par la stratégie de la mise à jour
de l'algorithme DSO pour améliorer la convergence. La méthode proposée est comparée
à l'optimisation standard d'essaims de particules (PSO), l’algorithme modifié de saut de
grenouille (MSFLA) et l’algorithme DSO afin d'évaluer leurs performances pour
l'égalisation de canaux non linéaires. Les résultats des simulations révèlent que la
méthode proposée présente les meilleurs résultats et surpasse les autres algorithmes.

107
 Conclusion générale

CONCLUSION GÉNÉRALE

Les travaux présentés dans cette thèse concernent l’égalisation adaptative dans les systèmes
de communications numériques. Nous avons focalisé nos recherches sur les algorithmes
d’apprentissage destinés à résoudre des problèmes d’égalisation des canaux.
Dans le premier chapitre, nous avons présenté les principales notions relatives aux systèmes
de communication numérique. Nous avons présenté quelques généralités sur la chaîne de
communication numérique. Les différents modèles mathématiques des canaux de
transmission les plus rencontrés en pratique, sont également évoqués, avec les distorsions
introduites par ces canaux, notamment l’interférence entre symboles qui a été bien détaillé en
considérant qu’il constitue un problème dont son élimination fait l’objectif principal de
l’égalisation. On a présenté aussi un aperçu sur les filtres numériques.
Dans le deuxième chapitre, nous avons présenté les définitions générales des méthodes
d’optimisation qui se divisent en deux grandes classes : les méthodes déterministes et les
méthodes non déterministes. Lorsque l’évolution de la méthode de résolution est prévisible et
ne laisse aucune place au hasard, celle-ci est qualifiée de déterministe. Les méthodes
déterministes s’appuient sur une direction de recherche qui peut être fournie par les dérivées
de la fonction objectif. Ces méthodes ont la réputation d’être efficaces lorsque la solution
initiale est proche de l’optimum recherché. Les méthodes non-déterministes ont comme
caractéristiques communes leurs caractères stochastiques, c.à.d. qu’une partie de la recherche
est conduit de façon aléatoire.
Dans le troisième chapitre, nous avons discuté le contexte d’égalisation des canaux de
communication numériques et nous avons également mis en évidence certaines structures
d’égaliseurs les plus communes, l’égaliseur LE et l’égaliseur DFE adaptés à l’aide des
algorithmes LMS et RLS. Les méthodes classiques ont été présentées dans le but de mettre en
évidence leurs performances médiocres pour un canal à phase non minimale, les niveaux de
l’erreur quadratique moyenne (EQM) atteints sont sous optimales. Les égaliseurs
conventionnels présentent une incapacité à égaliser les canaux non linéaires à faible SNR,
d’où la nécessité des architectures présentant un traitement non linéaire pour améliorer les
performances.
Dans le quatrième chapitre, nous avons utilisé les réseaux de neurones dans la fonction
d’égalisation. Nous avons examiné la fonctionnalité et les performances de ces égaliseurs en
tenant compte du type du réseau de neurones et l’algorithme d’apprentissage utilisé. Les
réseaux de neurone constituent un outil puissant dans le domaine du filtrage adaptatif non
linéaire, pour les communications numériques. Beaucoup de recherches se sont consacrés à
développés des techniques permettant d’accélérer le taux d’apprentissage de ces réseaux.

108
 Conclusion générale

Dans ce contexte, nous avons proposé des améliorations des capacités d'apprentissage des
filtres égaliseurs adaptatifs à base du perceptron multicouche. Notre contribution est focalisée
plus particulièrement au niveau de la structure du filtre à base du MLP et à l’algorithme de
rétro-propagation du gradient. La performance de la nouvelle méthode est évaluée avec deux
couches cachées et il est démontré qu'une amélioration de la performance est obtenue par
rapport à d’autres méthodes.
Dans le cinquième chapitre, nous avons utilisés les algorithmes méta-heuristiques à base de
population de solution pour optimisés les poids du réseau MLP. Les méta-heuristiques sont
des méthodes stochastiques qui visent à résoudre un large panel de problèmes, sans pour
autant que l’utilisateur ait à modifier leur structure. Ces méthodes sont inspirées d’analogies
avec des domaines aussi variés que la physique, la génétique ou encore l’éthologie. Les méta-
heuristiques ont vite rencontré un vif succès grâce à leur simplicité d’emploi mais aussi à leur
forte modularité. On a vu dans ce chapitre que les méta-heuristiques sont facilement
adaptables et/ou hybridables en vue d’obtenir les meilleures performances possibles. Nous
avons présenté une nouvelle méthode d’optimisation des poids d’un réseau de neurones
appliquée à l’égalisation de canaux dans les systèmes de communication numériques. Cette
méthode est basée sur deux algorithmes qui sont: l’algorithme des sauts de grenouilles
(SFLA) et l’algorithme d’optimisation de recherche dirigée (DSO). La stratégie de mise à jour
dans la recherche locale de la standard SFLA est remplacée par la stratégie de mise à jour de
l'algorithme DSO pour améliorer la convergence. La méthode proposée est comparée à
l'optimisation standard d'essaims de particules (PSO), l’algorithme modifié de saut de
grenouille (MSFLA) et l’algorithme DSO afin d'évaluer leurs performances pour l'égalisation
de canaux non linéaires. Les résultats des simulations révèlent que la méthode proposée
présente les meilleurs résultats et surpasse les autres algorithmes.
Les travaux effectués dans cette thèse ouvrent plusieurs perspectives pour les futurs travaux.
Tout d’abord il est possible de travailler à développés des structures de réseaux de neurones
permettant d’accélérer le taux d’apprentissage de ces réseaux. Il est aussi envisageable
d’utiliser d’autres techniques d’optimisations intelligentes. Il est toujours possible d’étendre
ce travail en utilisant les modulations à grand nombre d’états et avec d’autres type de canaux.
Nous avons utilisé les méthodes supervisées celle-ci utilisent une partie de la bande passante
ce qui entraine une diminution de l’efficacité spectrale et donc du débit. Ce travail peut être
prolongé également sous un autre volé en considérant des algorithmes autodidactes dit (Non-
data aided) basés sur les statistiques d’ordre supérieur à deux. Ces algorithmes jouissent d’une
complexité remarquable, cependant économisent la bande passante et permettent
d’augmenter l’efficacité des systèmes de communication.

109
 Bibliographie

RÉFÉRENCES

[1] A. Berdai, “Egalisation aveugle et turbo égalisation dans les canaux sélectifs en
fréquence invariants et variants dans le temps”, Mémoire Maître ès science,
Université Laval, Québec, 2006.
[2] S. Qureshi, “Adaptive equalization”, Proceeding of IEEE, vol. 73, no. 9, pp.1349-
1387, Sep.1985.
[3] H. Nyquist, “Certain topics in telegraph transmission theory”, Trans. AIEE
(Commun. Electron), vol. 47, pp. 617-644, Apr. 1928.
[4] R. W. Lucky, “Automatic equalization for digital communication”, Bell System
Technical Journal, vol. 44, pp. 547-588, 1965.
[5] J. G. Proakis, J. H. Miller, “An adaptive receiver for digital signaling through
channels with intersymbol interference”, IEEE Trans. Inf. Theory, vol. 15, no. 4,
pp. 484-497, 1969.
[6] C. Macchi, J. P. Jouannaud, O. Macchi, “Récepteur adaptatifs pour transmission
de données à grande vitesse”,Annals of Telecommunications, vol. 30, pp. 311-330,
1975.
[7] M. Austin, “Decision feedback equalization for digital communication over
dispersive channels”, M.I.T. Res. Lab Electron.,Tech. Rep. 461, Aug. 1967.
[8] W. McCulloch, W. Pitts, “A Logical Calculus of Ideas Immanent in Nervous
Activity”, Bulletin of Mathematical Biophysics, vol. 5, pp.115-133, 1943.
[9] S. Chen, G.J. Gibson, C.F.N. Cowan, “Decision feedback equalization using
neural network structures and performance comparison with standard architecture”,
IEE Proceeding, Vol. 137, No. 4, pp. 221-225, August 1990.
[10] S. Chen, B. Mulgrew, P. M. Grant, “A Clustering Technique for Digital
Communications Channel Equalization Using Radial Basis Function Networks”,
IEE Transactions on neural networks, vol. 4, no. 4, pp. 570-579, 1993.
[11] P. Chandra Kumar, P. Saratchandran, N. Sundararajan, “Minimal radial basis
function neural networks for nonlinear channel equalisation”, IEE Proceedings,
Vision, Image and Signal processing, vol. 147, no. 5, pp. 428-435, 2000.
[12] J. C. Patra, P. K. Meher, G. Chakraborty, “Nonlinear channel equalization for
wireless communication systems using Legendre neural networks”, Signal
Processing, vol. 89, pp. 2251-2262, 2009.
[13] K. Burse, R. N. Yadav, S. C. Shrivastava, “Channel Equalization Using Neural
Networks: A Review”, IEEE Transactions On Systems, Man, and Cybernetics-Part
C: Applications and Reviews, vol. 40, no. 3, pp. 352-357, 2010.

110
 Bibliographie

[14] B. Lu, B. L. Evans, “Channel equalization by feed-forward neural network”, IEEE

International Symposium on circuit and Systems (ISCAS), 6 August, 2000.
[15] D. E. Rumelhart, G. E. Hinton, R. J. Williams, “Learning representations by
back-propagation errors”, Nature, 323, pp. 533–536, 1986.
[16] B. Sklar, “Digital Communications: Fundamentals and Applications”, 2ème Edition,
Prentice Hall PTR, Upper Saddle River, New Jersey, 2013.
[17] F. Bouguerra, “Contribution au développement d’algorithmes d’optimisation dans
les réseaux mobiles”, Thèse de doctorat, Université de Batna 2- Mostefa Ben
Boulaid, 2018.
[18] P. F. Combes, “Transmission en espace libre et sur des lignes ”, Dunod Université
1988.
[19] H. SARI, “Transmission des signaux numériques ”, Technique de l’ingénieur,
traité Télécoms, 1999.
[20] M. Joindot, A. Glavieux, “Introduction aux Communications Numériques”,
Dunod, 2007.
[21] Z. Zerdoumi, “Estimation des Filtres de Restauration des Signaux en
Communication Numériques”, Thèse de Doctorat, Université de Batna 2, 2018.
[22] A. Boyer, “Canaux de transmission bruités”, Support de cours, Institut National des
Sciences Appliquées de Toulouse. 2011.
[23] G. Baudoin, Coll, “Radiocommunications Numérique /1 : Principe, modélisation
et simulation”, 2e édition, Dunod, 2007.
[24] J.G. Proakis, “Digital Communication”, Mc Graw Hill, 4th Edition, 2000.
[25] J.G. Proakis, M. Salehi, “Digital Communications”, 5th Ed, New York: McGraw
Hill, 2008.
[26] S. Hayin, “Communication systems”, 4th Ed, New York: Wiley &sons, 2001.
[27] A. Glavieux, M. joindot, “Communications numériques” : Introduction, Paris,
Masson, 1996.
[28] P. Kadionik, “Bases de transmission numériques : les modulations numériques”,
Support de cours, École nationale supérieure Électronique, Informatique et
Radiocommunication, 2000.
[29] M. Benyarou, “Optimisation des systèmes multi-antennes appliqués aux systèmes
MC-CDMA”, Thèse de Doctorat, Université Abou bakr belkaid-TLEMCEN, 2013.
[30] Z. Zerdoumi, “Applications de Réseaux de Neurones Artificiels à la Poursuite des
non Linéarités fluctuantes des systèmes satellitaire”, Mémoire de Magister,
Université Mohamed Boudiaf, M’sila, 2006.
[31] N. L. Gallou, “Modélisation par séries de Volterra dynamique des phénomènes de
mémoire non linéaire pour la simulation des systèmes d’amplification de
puissance”, Thèse de doctorat, Université de Limoges, 2001.

111
 Bibliographie

[32] M. Schetzen, “The Volterra and Wiener Theories of nonlinear systems”, Krieger
Publishing Co., Inc. Melbourne, FL, USA, 2006.
[33] DD. Falconer, “Adaptive Equalization of Channel nonlinearities in QAM Data
Transmission, Systems”, Bell System Technical Journal, vol.57, no.7, pp.2589-
2611, 1978.
[34] E. Biglieri, A. Gersho, R. Gitlin, T. Lim, “Adaptive Cancellation of nonlinear
Intersymbol Interference for Voiceband Data Transmission”, IEEE Journal on
Selected Areas in Communications, vol. 2, no.5, pp.765-777, 1984.
[35] E. Telatar, “Capacity of Multi-antenna Gaussian Channels”, European
Transactions on Telecommunications, vol. 10, no. 6, pp. 585–595, 1999.
[36] T. M Cover, J. A. Thomas, “Elements of information theory”, Second Edition,
John Wiley & Sons, Inc, 2006.
[37] John G. Proakis, “Digital communications”, McGraw-Hill, Third Edition, 1995.
[38] I. Andriyanova, “Introduction aux communications numériques”, Support de
cours, Université de Cergy-Pontoise, 2012.
[39] M. Ghadjati, “Applications des Réseaux de Neurones aux système de
communication numériques”, Mémoire de Magister, Université 8 Mai 1945
Guelma, 2012.
[40] C. Laot, “Egalisation autodidacte et turbo-égalisation. Application aux canaux
sélectifs en fréquence”, Thèse de doctorat, Université de Rennes 1, 1997.
[41] S. Paulo, R. Diniz, “Adaptive Filtering Algorithms and Practical Implementation,”
4th Edition, Springer Science, 2013.
[42] H. Hachimi, “Hybridations d’algorithmes méta heuristiques en optimisation
globale et leurs applications”, Thèse de Doctorat, Ecole Mohammadia
D’ingénieurs, Université Mohammed-V, Rabat, 2013.
[43] I. Boussaid, “Perfectionnement de méta heuristiques pour l’optimisation continue”,
Thèse de Doctorat, Université Houari Boumediene, 2013.
[44] O. Hajji, “Contribution au développement de méthodes d’optimisation
stochastiques. Application à la conception des dispositifs électrotechniques ”, Thèse
de Doctorat, Université des sciences et technologies de lille, 2003.
[45] J. C. Spall, “Multivariate stochastic approximation using a simultaneous
perturbation gradient approximation”, IEEE transactions on automatic control, vol.
37, pp : 332-341, 1992.
[46] J. C. Spall, “An overview of the simultaneous perturbation method for efficient
optimization”, Johns Hopkins apl technical digest, vol. 19, 1998.
[47] N. Ketfi, “Contribution à la gestion des réseaux de distribution en présence de
génération d’énergie dispersée”, Thèse de Doctorat, Université El Hadj Lakhdar,
Batna, 2014.

112
 Bibliographie

[48] R. Moore, “Interval analysis”, Prentice Hall, NJ, 1966.

[49] A. Gherboudj, “Méthodes de résolution de problèmes difficiles académiques”,
Thèse de Doctorat, Université de Constantine 2, 2013.
[50] B. Benmammar, “Optimisation de la QoS dans un réseau de radio cognitive en
utilisant la métaheuristique SFLA (Shuffled Frog Leaping Algorithm) ”, [Rapport
de recherche] UABT, (hal-01491952v2), 2017.
[51] J. C. Boisson, “Modélisation et résolution par méta-heuristiques coopératives : de
l’atome à la séquence protéique”, Thèse de Doctorat, Université des Sciences et
Technologies de Lille, 2008.
[52] F. Glover, M. Laguna, “Tabu Search”, Kluwer Academic Publishers,
Boston.1997.
[53] S. Mirjalili, A. Lewis, “The Whale Optimization Algorithm, Advances in
Engineering Software”, vol. 95, pp. 51-67, 2016.
[54] J. H. Holland, “Genetic algorithms”, Scientific American, vol. 267, no. 1, pp. 66-
72, 1992.
[55] I. Rechenberg, '“Evolutions strategien”. Springer Berlin Heidelberg, pp. 83-114,
1978.
[56] D. Dasgupta, M. Zbigniew, “Evolutionary algorithms in engineering
applications”. Springer Science & Business Media, 2013.
[57] J. R. Koza, “Genetic programming”, MIT Press, 55 Hayward St, Cambridge, MA,
United States, 1992.
[58] D. Simon, “Biogeography-based optimization', IEEE Trans Evol Comput, vol. 12,
pp.702-713, 2008.
[59] S. Kirkpatrick, C. D. Gelatt, M. P. Vecchi, “Optimization bysimmulated
annealing”, Science, vol. 220, pp. 671–680, 1983.
[60] B. Webster, P. J. Bernhard, “A local search optimization algorithm based on
natural principles of gravitation”, In Proceedings of the international conference on
information and knowledge engineering (IKE’03), pp.255-61, 2003.
[61] E. Rashedi, H. Nezamabadi, S. Saryazdi, “GSA a gravitational search algorithm”,
Inf Sci, vol. 179, pp. 2232–2248, 2009.
[62] A. Kaveh, S. Talatahari, “A novel heuristic optimization method”, charged system
[Link] Mech, vol. 213, pp. 267-89, 2010.
[63] R.A. Formato, “Central force optimization: A new metaheuristic with applications
in applied electromagnetics”, Prog Electromag Res, vol. 77, pp. 425-491, 2007.
[64] B. A. Alatas, “Artificial Chemical Reaction Optimization Algorithm for global
optimization”, Expert Syst Appl, vol. 38, pp. 13170-13180, 2011.

113
 Bibliographie

[65] H. Shah-Hosseini, “Principal components analysis by the galaxy-based search

algorithm: a novel metaheuristic for continuous optimisation”, Int J Comput Sci
Eng, vol. 6, pp. 132-140, 2011.
[66] J. Kennedy, R. Eberhart, “Particle swarm optimization”, In Proceedings of the
IEEE international conference on neural networks, pp. 1942-1948,1995.
[67] A. Kaveh, N. Farhoudi, “A new optimization method: dolphin echolocation”,
Advances in Engineering Software, vol. 59, pp: 53-70, 2013.
[68] B. Basturk, D. Karaboga, “An artificial bee colony (ABC) algorithm for numeric
function optimization”, In Proceedings of the IEEE swarm intelligence symposium,
pp. 12-14, 2006.
[69] M. Dorigo, M. Birattari, T. Stutzle, “Ant colony optimization”, IEEE Comput
Intell, vol. 1,pp. 28-39, 2006.
[70] X. S. Yang, S. Deb, “Cuckoo search via Lévy flights”, In Proceedings of the world
congress on nature & biologically inspired computing, NaBIC, pp.210-214, 2009.
[71] R. V. Rao, V. J. Savsani, D. P. Vakharia, “Teaching–learning-based optimization
a novel method for constrained mechanical design optimization problems”,
Computer-Aided Des, vol. 43, pp. 303-15, 2011.
[72] Z. W. Geem, J. H. Kim, G. Loganathan, “A new heuristic optimization
algorithm: harmony search”, Simulation, vol. 76, pp. 60-68, 2001.
[73] F. Glover, “ Tabu search – Part I ”, ORSA Journal of Computing, vol.1, pp.190-
206, 1989.
[74] F. Glover, “ Tabu search–PartII ”, ORSA Journal of Computing, vol. 2, pp. 4-32,
1990.
[75] S. He, Q. Wu, J. Saunders, “A novel group search optimizer inspired by animal
behavioural ecology”, In Proceedings of the IEEE congress on evolutionary
computation, CEC, pp. 1272-1278, 2006.
[76] S. He, Q. H. Wu, J. Saunders, “Group search optimizer: an optimization
algorithm inspired by animal searching behavior”, IEEE Trans Evol Comput, vol.
13, pp. 973-990, 2009.
[77] N. Mladenovié, P. Hansen, “Variable neighborhood search”, Computers and
Operations Research, vol. 24, no. 11, pp. 1097-1100, 1997.
[78] H. R. Lourenço, O. Martin, T. Stützle, “Iterated Local Search”, Handbook of
Metaheuristics, Kluwer Academic Publishers, International Series in Operations
Research & Management Science, vol. 57, pp. 321-353, 2003.
[79] C. Voudouris, E. Tsang, “Guided local search and its application to the traveling
salesman problem”, European Journal of Operational Research”, vol. 113, no. 2, pp.
469-499, 1999.
[80] M. M. Eusuff, K. E. Lansey, “Shuffled frog leaping algorithm: a memetic meta-
heuristic for combinatorial optimization”, J. Heuristics, in press, 2000.

114
 Bibliographie

[81] M. M. Eusuff, K. E. Lansey, “Optimization of Water Distribution Network

Design Using the Shuffled Frog Leaping Algorithm”, Journal of Water Resources
Planning and Management, vol. 129, no. 3, pp. 210-225, 2003.
[82] D. Zou, H. Liu, L. Gao, S. Li, “Directed searching optimization algorithm for
constrained optimization problems”, Expert Systems with Applications, vol. 38, no.
7, pp. 8716-8723, 2011.
[83] G. David, JR. Forney, “Maximum-Likelihood Seauence Estimation of Digital
Sequences in the Presence of Intersymbol Interference”, IEEE Transactions on
information theory, Vol.18, No. 3,1972.
[84] A. J. Vergonjanne, “Introduction à l’égalisation en communications numériques”,
Support de cours, ENSIL, France, 2013.
[85] G. LE. Pemp, “Capacité de poursuite des algorithmes adaptatifs dans un canal de
transmission sous-marin à trajets multiples”, Mémoire de maitre ès sciences,
Université de Laval, 2013.
[86] Paulo S.R. Diniz, “Adaptive Filtering Algorithms and Practical Implementation”,
3rd Edition, Springer, Science and Business Media, 2008.
[87] J. A. Apolinario, “QRD-RLS Adaptive Filtering”, Springer, Science and Business
Media, LLC 2009.
[88] A. Zerguine, A. Shafi, M. Bettayeb, “Multilayer perceptron based DFE with
lattice structure”, IEEE Transaction on Neural network, vol.12, no.3, pp.532-545,
May 2001.
[89] I. Santamaria, D. Erdogmus, J.C. Principe, “Entropy Minimization for
Supervised Digital Communications Channel Equalization”, IEEE Transactions on
Signal Processsing, vol.5, no.5, pp.1184-1192, May.2002.
[90] J. Choi, C. Lima, S. Haykin, “Kalman Filter-Trained Recurrent Neural Equalizers
for Time-Varying Channels”, IEEE Transaction on communications, vol.53, no.3,
2005.
[91] A. T. Al-Awami, A. Zerguine, L. Cheded, A. Zidouri, W. Saif, “A new
modified particle swarm optimization algorithm for adaptive equalization”, Digital
Signal Processing, vol. 21, no.2, pp. 195-207. 2011.
[92] P. Sivakumar, L. Arthi, “Enhancement of New Channel Equalizer Using Adaptive
Neuro Fuzzy Inference System, IOSR Journal of Electronics and Communication
Engineering (IOSR-JECE)”, vol. 6, no.1, pp. 34-43. 2013.
[93] K. Mahmood, A. Zidouri, A. Zerguine, “Performance analysis of a RLS-based
MLP-DFE in time-invariant and time-varying channels”, Digital Signal Processing
18, 307–320, 2008.
[94] C. M. Lee, S.S. Yang, C. L. Ho, “Modified back-propagation algorithm applied
to decision-feedback equalization”, IEE Proc.-Vis. Image Signal Process, vol. 153,
no. 6, 2006.

115
 Bibliographie

[95] Mohamed NEMISSI, “Classification et reconnaissances des formes par

algorithmes hybrides”, Thèse de Doctorat, Université 8 mai 45, Guelma, 2009.
[96] P. Poincot, “Classification et recherche d’information bibliographique par
l’utilisation des cartes auto-organisatrices, applications en astronomie”, Thèse de
doctorat, Université Louis Pasteur, 1999.
[97] C. Touzet, “Les réseaux de neurones artificiels, introduction au connexionnisme :
cours, exercices et travaux pratiques”, EC2, Collection de l’EERIE, N. Giambiasi.
hal-01338010,1992.
[98] D. Hebb, “The organization of the Behavior”, Wiley, New York, 1949.
[99] F. Rosenblatt, “The perceptron: a probabilistic model fir information storage and
organization in the brain”, Psychological Review, vol. 654, 386-408, 1958.
[100] M. Minsky, S. Papert, “Perceptrons”, MIT Press, Cambridge, MA, 1969.
[101] D. E. Rumelhart, G. E. Hinton, R. J. Williams, “Learning internal representation
by error propagation, Parallel distributed processing: exploration in the
microstructure of cognition”, MIT press Cambridge, pp. 318-362, 1986.
[102] T. Dufour, “Egalisation adaptatifs pipelines par la technique de l’anticipation
relaxée”, Mémoire, Université du Québec à trois-rivières, 2002.
[103] B. Mulgrew, “Applying Radial Basis Functions”, IEEE Signal Processing
Magazine, vol. 13, 50-65, 1996.
[104] D. S. Broomhead, D. Lowe, “Multivariable Functional Interpolation and Adaptive
Networks”, Complex System vol. 2, pp. 321-355, 1988.
[105] S. Tertois, “Réduction des effets des non-linéarités dans une modulation multi
porteuse à l’aide de réseau de neurones”, Thèse de Doctorat, Université de Rennes
1, 2003.
[106] J. Parks, I.W. Sandberg, “Universal Approximation using Radial-Basis Function
Network”, Neural Computation, vol. 3. no. 2. pp. 246-257. 1991.
[107] K. Hornik, “Multilayer feed forward network are universal approximator”, Neural
Networks, vol. 2, pp. 359-366. 1989.
[108] K. Hornik, “Some New Results on Neural Network Approximation”. Neural
Networks. vol. 6. no. 8. pp. 1069-1072. 1993.
[109] R. O. Duda, P. E. Hart, D. G. Stork, “Pattern Classification”, 2ed., John Wiley &
Sons,New York, 2001.
[110] C. Looney, “Pattern Recognition Using Neural Networks”, Oxford University
Press, New York, 1997.
[111] Y. H. Hu, J. N. Hwang, “Handbook of neural network signal processing”, by CRC
PRESS LLC Florida, USA, 2002.

116
 Bibliographie

[112] S. K. Sharma, P. Chandra, “An Adaptive Sigmoidal Activation Function

Cascading Neural Networks”, Advances in Intelligent and Soft Computing, vol. 87,
2011.
[113] A, Fiordaliso, “Une application des réseaux de neurones artificiels MLP à la
prévision du prix d’une option négociable”, Économie prévision, vol.127, pp.47-62,
1997.
[114] S. S. Yang, C. Lu Ho, C. Min Lee, “HBP: Improvement in BP Algorithm for an
Adaptive MLP Decision Feedback Equalizer”, IEEE Transactions on circuits and
systems, vol. 53, no. 3, 2006.
[115] M. Zidane, “Contribution à l’identification et égalisation aveugles des canaux de
transmission pour des systèmes de 4ème génération MC-CDMA”, Thèse de doctorat,
Université Sultan Moulay Slimane, Béni Mellal, 1999.
[116] S. Saidani, I. Tifouti, M. Ghadjati, A. Moussaoui, “Performance of the
Multilayer Perceptron based DFE for Linear and Nonlinear Channels”,
International Conference on Automatic control, Telecommunications and Signals
(ICATS15), University BADJI Mokhtar, Annaba, Algeria, November 16-18, 2015.
[117] A. P. Russo, “Neural Networks for sonar signal processing”, tutorial no. 8, IEEE
Conf. on Neural Networks for Ocean engineering, Wachington, D.C, 1991.
[118] D. Nguyen, B. Widrow, “Improving the learning speed two-layer neural networks
by choosing initial values of the adaptive weights”, in Proc. 1990 IEEE Int. Joint
Conf. Neural Networks, San Diego, vol. 3, 21-26, 1990.
[119] J. F. Shepanski, “Fast learning in artificial neural systems multilayer perceptron
training using optimal estimation”, IEEE International Conference on Neural
Networks 1, IEEE Press, New York, pp. 465-472, 1988.
[120] T. Masters, “Practical Neural Network Recipes in C++”, Academic Press, Boston,
1993.
[121] Y.F. Yam, T.W.S. Chow, “Determining initial weights of feedforward neural
networks based on least squares method”, Neural Processing letter, vol. 2, pp. 13-
17, 1995.
[122] Y.F. Yam, T.W.S. Chow, “A new method in determining the initial weights of
feedforward neural networks”, Neurocomputing, vol.16, pp. 23-32, 1997.
[123] J. Y. F. Yam, T. W. S. Chow, “A weight initialization method for improving
training speed in feedforward neural network”, Neurocomputing, vol. 30, pp. 219-
232. 2000.
[124] R. A. Jacobs, “Increased rates of convergence through learning rate adaptation”,
Neural Networks, vol. 1, pp. 295-307, 1988.
[125] M. Zurada, “Lambda learning rule for feedforward neural networks”, in Proc,
IEEE int. Conf. Neural Networks, vol. 3, pp. 1808-1811. 1993.

117
 Bibliographie

[126] P. Chandra, Y. Singh, “An activation function adapting training algorithm for
sigmoidal feedforward networks”, Neurocomputing, vol. 61, 2004, pp. 429– 437.
[127] K. Eom, K. Jung H. Sirisena, “Performance improvement of backpropagation
algorithm by automatic activation function gain tuning using fuzzy logic”,
Neurocomputing, vol. 50, pp. 439 – 460, 2003.
[128] Y. H. Zweiri, J. F. Whidborne L. D. Seneviratne,“Three-term backpropagation
algorithm”, Neurocomputing, Vol. 50, pp. 305-318, 2003.
[129] Y. H. Zweiri, “Optimization of a Three-Term Backpropagation Algorithm Used for
Neural Network Learning”, International Journal of Computational Intelligence.
vol. 3, pp. 322–327, 2006.
[130] X.G. Wang, Z. Tang, H. Tamura M. Ishii, “A modified error function for the
backpropagation algorithm”, Neurocomputing, vol. 57, pp. 477- 484, 2004
[131] S. Saidani, A. Moussaoui, M. Ghadjati, “A New Training Strategy for DFE-MLP
Using Modified BP Algorithm and Application to Channel Equalization”, WSEAS
Transactions on Signal Processing, vol.13, pp. 115-120, 2017.
[132] V. Bachelet, “Métaheuristiques parallèles hybrides : Application au problème
d’affectation quadratique”, Thèse de Doctorat, Université des sciences et
technologies de Lille, 1999.
[133] E. D. Talbi, L. Geneste, B. Grabot, R. Prévitali, P. Hostachy, “Application of
optimization techniques to parameter set-up in scheduling”, Computers in Industry,
vol, 55, no. 2, pp. 105-124, 2004.
[134] C. Blum, J. Puchinger, G. R. Raidl, A. Roli, “Hybrid metaheuristics in
combinatorial optimization : A survey, Applied Soft Computing”, vol. 11, no. 6, pp.
4135-4151, 2011.
[135] S. Panda, A. Sarangi, S. P. Panigrahi, “A new training strategy for neural
network using shuffled frog-leaping algorithm and application to channel
equalization”, International Journal of Electronics and Communications (AEÜ),
vol. 68, no. 11, pp. 1031–1036, 2014.
[136] E. Elbeltagi, T. Hegazy, D. Grierson, “A modified shuffled frog-leaping
optimization algorithm: applications to project management”, Structure and
Infrastructure Engineering, vol. 3, no. 1, pp. 53-60, 2007.
[137] X. Zhang, Y. Zhang, Y, Shi, L. Zhao, C. Zou, “Power control algorithm in
cognitive radio system based on modified Shuffled Frog Leaping Algorithm”,
International Journal of Electronics and Communications (AEÜ), vol. 66, no. 6, pp.
448-454, 2012.
[138] P. Roy, P. Roy, A. Chakrabarti, “Modified shuffled frog leaping algorithm with
genetic algorithm crossover for solving economic load dispatch problem with
valve-point effect”, Applied Soft Computing, vol. 13, no. 11, pp. 4244-4252, 2013.

118
 Bibliographie

[139] J. Zhou, E. Dutkiewicz, R. P. Liu, X. Huang, G. Fang, Y. Liu, “A Modified

Shuffled Frog Leaping Algorithm for PAPR Reduction in OFDM Systems”, IEEE
Transaction on Broadcasting, vol. 61, no. 4, pp. 698-709, 2015.
[140] M. H. Oboudi, R. Hooshmand, A. Karamad, “Feasible method for making
controlled intentional islanding of microgrids based on the modified shuffled frog
leap algorithm”, Electrical Power and Energy Systems, vol.78, pp. 745-754, 2016.
[141] P. Kaur, S. Mehta, “Resource provisioning and work flow scheduling in clouds
using augmented Shuffled Frog Leaping Algorithm”, Journal of Parallel and
Distributed Computing, vol. 101, pp. 41-50, 2017.
[142] R. Dash, “Performance analysis of a higher order neural network with an improved
shuffled frog leaping algorithm for currency exchange rate prediction”, Applied
Soft Computing, vol. 67, pp. 215-231, 2018.
[143] C. Liu, P. Niu, G. Li, Y. Ma, W. Zhang, K. Chen, “Enhanced shuffled frog-
leaping algorithm for solving numerical function optimization problems”, Journal
of Intelligent Manufacturing, vol. 29, no. 5, pp. 1133-1153, 2018.
[144] R. Li, Z. Jiang, A. Li, S. Yu, C. Ji, “An improved shuffled frog leaping algorithm
and its application in the optimization of cascade reservoir operation”, Hydrological
Sciences Journal, vol. 63, no. 15-16, pp. 2020-2034, 2019.
[145] B. Tripathy, S. Dash, S. K. Padhy, “Dynamic task scheduling using a directed
neural network”, Journal of Parallel and Distributed Computing, vol. 75, pp. 101-
106, 2015.
[146] S. Panda, P. K. Mohapatra, S. P. Panigrahi, “A new training scheme for neural
network and application in non-linear channel equalization”, Applied Soft
Computing, vol. 27, pp. 47–52, 2015.
[147] S. Saidani, A. Moussaoui, M. Ghadjati, “Channel Equalization Based On SFLA
and DSO Trained Artificial Neural Network”, Telecommunications and Radio
Engineering, vol. 78, no. 17, pp. 1589-1600, 2019.
[148] M. Eusuff, K. Lansey, F. Pasha, “Shuffled frog-leaping algorithm: a memetic
meta-heuristic for discrete optimization”, Engineering Optimization, vol. 38, no. 2,
pp. 129-154, 2006.
[149] J. R. Zhang, J. Zhang, T. M. Lok, M. R. Lyu, “A hybrid particle swarm
optimization-back-propagation algorithm for feed-forward neural network
training”, Applied Mathematics and Computation, vol. 185, pp. 1026-1037, 2007.
[150] O. Martin, S. Otto, E. Felten,“Large-step markov chains for the tsp: Incorporating
local search heuristics”, Operation Research Letters, vol. 11, pp. 219-224, 1992.

119