Ecole Nationale Supérieure des Technologies

Avancées
Département Génie Électrique et Informatique
Industrielle

Étude de la Méthode Conventionnelle

de Bartlett

RÉALISÉ PAR :
HAOUA Rania

Étudiante en 3ème année systèmes de télécommunications et réseaux

2024/2025
I. Théorie de la Méthode de Bartlett
a. Présentation générale de la méthode de Bartlett
La méthode de Bartlett consiste à effectuer une combinaison linéaire des observations
fournies par les capteurs du réseau d’antennes, en déterminant les valeurs de pondération
qui optimisent la puissance de sortie.

b. Principe mathématique
Le signal reçu par un réseau de L antennes en présence de K sources s’exprime comme
suit :
x(t) = A(θ)s(t),
où :

• x(t) : vecteur des signaux reçus par les L antennes.

 
x1 (t)
 x2 (t) 
x(t) =  .. 
 
 . 
xL (t)

• A(θ) : matrice directionnelle (L × K) contenant les vecteurs directionnels des

sources.  
A(θ) = a(θ1 ) a(θ2 ) · · · a(θK )

• s(t) : vecteur des signaux sources (K × 1).

 
s1 (t)
 s2 (t) 
s(t) =  .. 
 
 . 
sK (t)

En présence d’un bruit additif, le modèle devient :

x(t) = A(θ)s(t) + n(t),

où :

• n(t) : vecteur (L × 1) représentant le bruit reçu par chaque antenne.

• On suppose que le bruit est blanc, gaussien et non corrélé:

n(t) ∼ N (0, σn2 IL ).

La sortie du filtre spatial est donnée par :

L
X
y(t) = hi xi (t) = hH x(t),
i=0

1
 dont la puissance est :
Py = hH Rxx h,
avec :
M
1 X
Rxx = x(m)xH (m).
M m=1
En maximisant cette puissance sous la contrainte hH h = 1, on obtient le vecteur de
pondération optimal :
a(θ)
h= p .
aH (θ)a(θ)

II. Implémentation de la Méthode de Bartlett

a. Algorithme de Bartlett
L’algorithme de Bartlett fonctionne comme un balayage angulaire. On fait varier l’angle
θ et on calcule la puissance pour chaque angle, produisant un diagramme de rayonnement
qui indique la provenance du signal.

b. Programmation sous MATLAB

Le code MATLAB suivant implémente l’algorithme pour un réseau de 8 capteurs (N = 8)
avec un espacement d = 0.5λ. Deux sources émettent des signaux distincts avec un SNR
de 10 dB, et leurs angles d’incidence sont respectivement −50◦ et 50◦ . Les signaux des
sources sont définis comme suit :
• Le premier signal, une impulsion rectangulaire centrée au milieu de la durée totale
T et de largeur T /4, s’exprime par :
 
t − T /2
s1 (t) = rect
T /4

• Le deuxième signal, une sinusoïde à 50 Hz, est donné par :

s2 (t) = cos(2π · 50 · t)

L’expression du vecteur de direction associé à un angle d’incidence θ est donnée par :

 
1
 e−j2πd sin(θ)/λ 
 
 −j2π2d sin(θ)/λ 
a(θ) =  e ,
..
.
 
 
−j2π(N −1)d sin(θ)/λ
e

Voici l’implémentation MATLAB correspondante :

Listing 1: programme Matlab
1 clear all ;
2
3 % % Parametres

2
4 N = 8; % Nombre de capteurs
5 d = 0.5; % distance entre les capteurs ( lambda /2)
6 theta_sources = [ -50 , 50]; % Angles d ’ incidence
7 fe = 1000;
8 T = 1; % Duree totale du signal rect
9 t = 0:1/ fe :T -1/ fe ; % Vecteur temps
10

11 % Signaux des sources

12 s1 = rectpuls ( t - T /2 , T /4) ; % Impulsion rectangulaire de largeur T /4
13 s2 = cos (2 * pi * 50 * t ) ; % Signal sinusoidal a 50 Hz
14
15 % % le bruit
16 SNR_dB = 10;
17 SNR = 10^( SNR_dB / 10) ;
18 signal_power = mean ( s1 .^2) ;
19 noise_power = signal_power / SNR ;
20 n = sqrt ( noise_power / 2) * ( randn (N , length ( t ) ) + 1 j * randn (N ,
length ( t ) ) ) ;
21

22 % le signal recu x
23 theta_rad = deg2rad ( theta_sources ) ; % Angles en radians
24 A = exp ( -1 j * 2 * pi * d * (0: N -1) . ’ * sin ( theta_rad ) ) ; % Matrice de
direction
25 S = [ s1 ; s2 ]; % Matrice des signaux sources
26 x = A * S;
27 x = x + n;
28
29 % % la matrice de correlation R
30 R = ( x * x ’) / length ( t ) ;
31
32 % % Spectre de Bartlett
33 theta_scan = -90:0.5:90; % Plage d ’ angles pour le scanning
34 P_Bartlett = zeros (1 , length ( theta_scan ) ) ; % initialisation
35
36 for i = 1: length ( theta_scan )
37 theta_scan_rad = deg2rad ( theta_scan ( i ) ) ; % Angle de scanning en
radians
38 a_theta_scan = exp ( -1 j * 2 * pi * d * (0: N -1) . ’ *
sin ( theta_scan_rad ) ) ;
39 P_Bartlett ( i ) = abs ( a_theta_scan ’ * R * a_theta_scan ) ; % la
Puissance
40 end
41 P_Bartlett_dB = 10 * log10 ( P_Bartlett ) ;
42
43 % % Affichage du spectre
44 figure ;
45 plot ( theta_scan , P_Bartlett_dB , ’b ’ , ’ LineWidth ’ , 1.5) ;
46 xlabel ( ’ Angle ( degres ) ’) ; ylabel ( ’ Puissance ( dB ) ’) ;
47 title ( ’ Spectre de Bartlett ’) ;
48 grid on ;
49 legend ( ’ Spectre de Bartlett ’ , ’ Angles des sources ’ , ’ Location ’ ,
’ northeast ’) ;
50 hold off ;

3
III. Analyse et Interprétation des Résultats
a. Interprétation des courbes obtenues
• la courbe obtenue montre deux principaux pics autour de −50◦ et 50◦ correspondent
aux directions d’arrivée des signaux sources. ces pics sont les positions angulaires
où l’algorithme de Bartlett détecte une concentration de puissance.

• Précision angulaire : on remarque un spectre relativement large autour des pics

principaux, ce qui peut limiter la précision en termes de résolution

• Effet des lobes secondaires : Entre les pics principaux, on observe des lobes sec-
ondaires. Ces derniers représentent des directions parasites où une certaine puis-
sance est détectée.

Figure 1: Spectre de Bartlett

b. Discussion sur l’impact des paramètres

• le nombre de capteurs:
La puissance de sortie des lobes principaux augmente avec le nombre de capteurs.
Un réseau avec plus de capteurs offre une meilleure sélectivité angulaire et permet
de mieux localiser les sources.

• le rapport SNR: plus on augmente la valeur de SNR plus la puissance des lobes
secondaires diminue.

4
 Figure 2: Spectre obtenu pour N=6 Figure 3: Spectre obtenu pour N=30

Figure 4: Spectre obtenu pour SNR=1 Figure 5: Spectre obtenu pour SNR=30

• le seuil de résolution: on calcule 2π

N
on trouve π4 c’est à dire que les signaux dont la
différence d’angle est inférieure à 4 sont considérés comme un seul signal.
π

Figure 6: Spectre obtenu pour deux Figure 7: Spectre obtenu pour deux
sources proches θ = 40◦ et θ = 50◦ sources éloignées θ = −10◦ et θ = 50◦

5
Références Bibliographiques

[1] KHODJA Mohamed, Analyse des Performances des Algorithmes MUSIC et ESPRIT
Temps-Fréquence pour la Localisation de Sources en Présence d’Erreurs de Modèle,
Thèse de Doctorat, 2015.