Estimation de la fréquence
Transcription
Estimation de la fréquence
Estimation de la fréquence Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Modèles Estimation DA Estimation NDA Plan Philippe Ciblat 1 Modèles 2 Estimation de fréquence avec séquence d’apprentissage Rappel : estimation de fréquence pure Estimateurs ML Bornes de Cramer-Rao Illustrations numériques 3 Estimation de fréquence sans séquence d’apprentissage Description d’estimateurs Analyse de performances asymptotiques et non-asymptotiques Estimation de la fréquence 2 / 40 Philippe Ciblat Modèles Estimation DA Estimation NDA Partie 1 : Modèles Estimation de la fréquence 3 / 40 Modèles Estimation DA Estimation NDA Modèle en bande de base (I) Signal reçu en bande de base ya (t) = X k ∈Z ! sk ha (t − kTs ) e2iπδfa t + ba (t) avec {sk }k ∈Z : symboles d’une constellation quelconque Philippe Ciblat ba (t) : bruit additif gaussien ∼ CN (0, 2N0 ). ha (t) : un filtre résultant d’un filtre de mise en forme ga (t), d’un canal de propagation, d’un déphasage et d’un retard temporel. δfa un résidu de fréquence porteuse lié soit à l’effet Doppler soit à un défaut des oscillateurs locaux. Estimation de la fréquence 3 / 40 Modèles Estimation DA Estimation NDA Modèle en bande de base (II) Hypothèse Philippe Ciblat δfa Ts ≪ 1 ⇒ δfa petit devant la largeur de bande Système radiomobile avec effet Doppler : porteuse f0 à 900MHz, vitesse v de déplacement à 50km/h ⇒ δfa = f0 vc = 40Hz Oscillateurs locaux de précision de 100ppm ⇒ δfa = f0 × précision = 90kHz Estimation de la fréquence 4 / 40 Modèles Estimation DA Estimation NDA Récepteur en bande de base (I) Récepteur (avec ha (t) et δfa connus) . ya (t) X ha (−t) za (t) nT s z(n) Détecteur ŝn e−2iπδfat n( T s/ 2) X Interpolateur basé sur ha (nTs/2) z(n) 2 Détecteur ŝn e−2iπ(δfaTs /2)n . Remarque : Te période d’échantillonnage vérifiant le théorème de Shannon Philippe Ciblat Te = Ts /2 suffit souvent (car δfa est petit devant la bande) On pose ∆f = δfa Ts Estimation de la fréquence 5 / 40 Modèles Estimation DA Estimation NDA Récepteur en bande de base (II) Soient deux filtres f1 (t) et f2 (t) de bande 1/Ts et δfa Ts ≪ 1 f1 (t) ⋆ (f2 (t)e 2iπδfa t ) = = = = Z f2 (τ )e2iπδfa τ f1 (t − τ )dτ Z F2 (−ν)TF(τ 7→ e2iπδfa τ f1 (t − τ ))(ν)dν Z 2iπδfa t e F2 (ν)F1 (ν + δfa )e2iπνt dν e2iπδfa t (f1 (t) ⋆ f2 (t)) + o(δfa ) Applications z(t) = X fa (t) ⋆ ( sk ha (t − kTs )e2iπδfa t ) k ∈Z ≈ X ( sk (fa ⋆ ha )(t − kTs ))e2iπδfa t k ∈Z Modèle en bande de base ainsi validé (cf. démodulateur I/Q) Philippe Ciblat Estimation de la fréquence 6 / 40 Modèles Estimation DA Estimation NDA Récepteur avec ha (t) et ∆f inconnus Schéma de principe (à temps discret) . n( T s/ 2) e−iπ∆f n X Interpolateur basé sur ha (nTs/2) 2 Détecteur Estimation du filtre (à la cadence Ts /2) Estimation de ∆f . Schéma de principe (simplifié) . n( T s/ e−iπ∆f n 2) Interpolateur basé sur ha (nTs/2) X 2 Détecteur Estimation du filtre (à la cadence Ts /2) Estimation de ∆f . Schéma de principe (simplifié et sans filtre adapté) Philippe Ciblat . n( T s/ 2) e−2iπ∆f n Interpolateur basé sur ga (nTs/2) 2 X Détecteur Estimation du filtre (à la cadence Ts ) Estimation de ∆f . Estimation de la fréquence 7 / 40 Modèles Estimation DA Estimation NDA Modèle mathématique Signal reçu Philippe Ciblat y (n) = L X h(k )sn−k k =0 | {z a(n) ! e2iπf0 n + b(n) } {sn } une séquence de données (connue ou inconnue) {h(k )} le filtre inconnu f0 la fréquence inconnue b(n) le bruit gaussien blanc circulaire de variance 2N0 Estimation de la fréquence 8 / 40 Modèles Estimation DA Estimation NDA Méthode d’estimation Deux modes : Avec séquence d’apprentissage Data-aided (DA) ou supervisé ou avec pilote Estimation d’harmonique avec amplitude partiellement connue variant dans le temps Sans séquence d’apprentissage Non-Data-aided (NDA) ou autodidacte/aveugle Estimation d’harmonique avec bruit multiplicatif et bruit additif Objectif Philippe Ciblat 1. Estimer f0 à la donnée de y (n) et sn 2. Estimer f0 à la donnée de y (n) Estimation de la fréquence 9 / 40 Philippe Ciblat Modèles Estimation DA Estimation NDA Partie 2 : Estimation DA Estimation de la fréquence 10 / 40 Modèles Estimation DA Estimation NDA Estimation de fréquence pure Modèle du signal : soit f0 la fréquence y (n) = ae2iπf0 n + b(n) avec a l’amplitude complexe telle que a = |a|e2iπφ0 avec φ0 la phase Exemple : Philippe Ciblat Harmonic with f0=0.1 and SNR=0dB Harmonic with f0=0.1 and SNR=10dB 6 4 4 4 2 2 2 0 −2 −4 −6 Real part of harmonic 6 Real part of harmonic Real part of harmonic Harmonic with f0=0.1 and SNR=−10dB 6 0 −2 −4 0 10 20 30 40 50 60 sample index 70 80 RSB=−10dB 90 100 −6 0 −2 −4 0 10 20 30 40 50 60 sample index 70 80 90 100 RSB=0dB Estimation de la fréquence −6 0 10 20 30 40 50 60 sample index 70 80 90 100 RSB=10dB 10 / 40 Modèles Estimation DA Estimation NDA Estimateur ML de fréquence pure Critère ML : comme le bruit additif est gaussien blanc, on a min J(|a|, φ, f ) = |a|,φ,f N−1 2 1 X y (n) − |a|e2iπ(fn+φ) N n=0 Résultat Si phase φ0 connue : f̂N = arg maxf ℜ h P N−1 1 N n=0 y (n)e−2iπ(fn+φ0 ) P 2 N−1 Si phase φ0 inconnue : f̂N = arg maxf N1 n=0 y (n)e−2iπfn Philippe Ciblat Estimation de la fréquence i 11 / 40 Modèles Estimation DA Estimation NDA Preuve Philippe Ciblat J(|a|, φ, f ) = N−1 1 X |y (n)|2 + |a|2 N n=0 − |a| N−1 N−1 1 X 1 X y (n)e−2iπ(fn+φ) y (n)e2iπ(fn+φ) + N N n=0 n=0 ! Si phase connue (φ = φ0 ), maximisation du terme bleu Si phase inconnue, φ0 ∈ [0, π[ (sinon ambiguïté avec a et −a) et !1/2 PN−1 1 −2iπfn y (n)e ∂J = 0 ⇔ e2iπφ̂N = N1 Pn=0 N−1 2iπfn ∂φ φ=φ̂N n=0 y (n)e N d’où N−1 1 X y (n)e−2iπfn J(|a|, φ̂N , f ) = constante − 2|a| N n=0 ce qui implique la maximisation du terme magenta Estimation de la fréquence 12 / 40 Modèles Estimation DA Estimation NDA Illustrations numériques Philippe Ciblat f0 = 0.1 N = 100 Harmonic with f0=0.1, N=100 and SNR=−10dB Harmonic with f0=0.1, N=100 and SNR=0dB 80 Harmonic with f0=0.1, N=100 and SNR=10dB 120 100 90 70 100 80 60 70 80 40 FFT norm 60 FFT norm FFT norm 50 60 50 40 30 40 30 20 20 20 10 0 10 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 RSB=−10dB 0.9 1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 1 RSB=0dB Estimation de la fréquence 0 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 1 RSB=10dB 13 / 40 Modèles Estimation DA Estimation NDA Estimation de fréquence non pure yN = DN (f0 )SN h + bN avec yN = [y (0), · · · , y (N − 1)]T N nombre d’observations (temps d’observation = [0, NTs [) [01,L , s0 , · · · , sN−1 ]T : séquence d’apprentissage SN une matrice N × (L + 1) définie comme suit s0 s−1 . . . s−L .. .. s1 . . SN = . .. sN−1 sN−2 . . . sN−1−L Philippe Ciblat h = [h(0), · · · , h(L)]T DN (f ) = diag([1, · · · , e2iπ(N−1)f ]) bN = [b(0), · · · , b(N − 1)]T : bruit blanc gaussien Estimation de la fréquence 14 / 40 Modèles Estimation DA Estimation NDA Estimateurs ML (I) Problème dirigé si la fréquence est connue (problème classique) −1 H ĥN|f = (SH SN yN N SN ) si le canal est connu (référence ou voie de retour) f̂N|h = arg max f ∈[0,1[ H ℜ[hH SH N DN (f ) yN ] Preuve : suivre la démarche du transparent 12 Lien avec le périodogramme Philippe Ciblat f̂N|h = arg max f ∈[0,1[ " N−1 1 X a(n)y (n)e−2iπfn ℜ N n=0 Estimation de la fréquence # 15 / 40 Modèles Estimation DA Estimation NDA Estimateurs ML (II) Problème conjoint ( f̂N = arg maxf ∈[0,1[ ĥN = H −1 H yH SN DN (f )H yN N DN (f )SN (SN SN ) −1 H (SH SN DN (f̂N )H yN N SN ) Preuve : suivre la démarche du transparent 12 −1 H Soit PN = SN (SH SN la projection sur l’image de SN . N SN ) Soit la décompostion de Cholesky de PN = QH N QN Lien avec périodogramme Philippe Ciblat 2 N−1 N−1 1 X X ′ −2iπfn′ f̂N = arg max qn,n′ y (n )e ′ f ∈[0,1[ N n=0 n =0 Estimation de la fréquence 16 / 40 Modèles Estimation DA Estimation NDA Bornes de Cramer-Rao : problème dirigé Résultat γf |h avec Γh|f = N0 1 4π 2 N 3 hH W2 h = 2N0 −1 N W0 WK = K SH N ∆N SN (K N +1) et ∆N = diag([0, 1, · · · , N − 1]) Remarque : Estimateur ML est asymptotiquement efficace Philippe Ciblat Estimation de la fréquence 17 / 40 Modèles Estimation DA Estimation NDA Preuve F (f ) = ln p(y|f ) = d ln p(y|f ) df = + E Philippe Ciblat " d ln p(y|f ) df d ln p(y|f ) df = y,f0 2 # = Ey " d ln p(y|f ) df 2 # et p(y|f ) ∝ e − ky−DN (f )SN hk2 2N0 −1 H H (y − hH SH N DN (f ) )(y − DN (f )SN h) + cte 2N0 −1 H (2iπhH SH N ∆N DN (f ) )(y − DN (f )SN h) 2N0 −1 H H (y − hH SH N DN (f ) )(−2iπDN (f )∆N SN h) 2N0 −2iπ H H h SN ∆N DN (f0 )H b − bH DN (f0 )∆N SN h 2N0 4π 2 H H 2hH SH N ∆N DN (f0 ) E[bb ]DN (f0 )∆N SN h 2 4N0 Estimation de la fréquence 18 / 40 Modèles Estimation DA Estimation NDA Bornes de Cramer-Rao : problème conjoint Résultat γf Γh = N0 1 4π 2 N 3 hH (W2 −W1 W−1 W1 )h 0 = 2N0 −1 N (W0 + −1 H W−1 0 W1 hh W1 W0 2hH (W2 −W1 W−1 W1 )h 0 ) Remarque : Philippe Ciblat Convergence de l’estimateur de la fréquence en 1/N 3 Convergence de l’estimateur du canal en 1/N Estimateur ML asymptotiquement efficace Estimation de la fréquence 19 / 40 Modèles Estimation DA Estimation NDA Bornes de Cramer-Rao asymptotiques (I) Considérons {sn }n une réalisation d’une séquence pseudo-aléatoire stationnaire rs (τ ) = E[sn+τ sn ] la fonction d’autocorrélation Résultat fondamental wK (k , l) = 1 N (K +1) N−1 X p.s. nK sn−k sn−l → n=0 E[sn−k sn−l ] rs (k − l) = K +1 K +1 Esquisse de preuve : Philippe Ciblat wK (k , l) = 1 N−1 X N (K +1) n=0 | {z 1/(K +1) n K ! } E[sn−k sn−l ] + 1 N (K +1) | Estimation de la fréquence N−1 X nK εk ,l (n) n=0 {z p.s. →0 } 20 / 40 Modèles Estimation DA Estimation NDA Bornes de Cramer-Rao asymptotiques (II) Considérons Rs = (rs (k − l))0≤k ,l≤L la matrice (Toeplitz) de corrélation de taille (L + 1) × (L + 1) du processus {sn }n Problème dirigé γf |h = 3N0 1 4π 2 N 3 hH Rs h et Γh|f = 2N0 −1 R N s Problème conjoint γf = 3N0 1 2 3 H π N h Rs h et Γh = 2N0 N 3 hhH R−1 + s 2 h H Rs h Remarque : Perte de 6dB pour l’estimation de fréquence si le canal est inconnu Philippe Ciblat Estimation de la fréquence 21 / 40 Modèles Estimation DA Estimation NDA Simulations Protocole : Afin de maximiser les périodogrammes, on procède en deux étapes 1. une étape dite grossière réalisée à l’aide d’une TFD 2. une étape dite fine réalisée par le biais d’un algorithme du gradient initialisé avec le résultat de l’étape grossière Remarque : La borne de Cramer-Rao ne fournit de l’information que sur la seconde étape Philippe Ciblat Estimation de la fréquence 22 / 40 Modèles Estimation DA Estimation NDA EQM en fonction du RSB Canal radio-mobile de norme 1 N = 32 MSE versus SNR / Variable of interest : Channel MSE versus SNR / Variable of interest : Frequency Offset 20 0 Practical MSE : Frequency Offset (Joint Estimation) Theoretical MSE : Frequency Offset (Joint Estimation) Practical MSE : Frequency Offset (Channel known) Theoretical MSE : Frequency Offset (Channel known) Practical MSE : Channel (Joint Estimation) Theoretical MSE : Channel (Joint Estimation) Practical MSE : Channel (Frequency Offset known) Theoretical MSE : Channel (Frequency Offset known) 10 −20 0 −10 (dB) (dB) −40 −60 −20 −30 −80 −40 −100 −50 −120 −20 −10 0 10 20 SNR (N=32, MC=200) 30 40 50 −60 −20 −10 0 f0 10 20 SNR (N=32, MC=200) 30 40 50 h La CRB inexacte à faible RSB (phénomène de décrochement) Philippe Ciblat Estimation de la fréquence 23 / 40 Modèles Estimation DA Estimation NDA Taux d’Erreur Binaire Philippe Ciblat N = 50, Trame de longueur 500 Egaliseur de Wiener BER versus SNR for Nt=50 and alpha=10 1 Perfect knowledge White TS BER 0.1 0.01 0.001 1e-04 0 2 4 6 8 SNR 10 12 Estimation de la fréquence 14 16 24 / 40 Philippe Ciblat Modèles Estimation DA Estimation NDA Partie 3 : Estimation NDA Estimation de la fréquence 25 / 40 Modèles Estimation DA Estimation NDA Rappel du modèle y (n) = a(n)e2iπf0 n + b(n), n = 0, . . . , N − 1 avec y (n) le signal reçu a(n) une amplitude (complexe) inconnue ou un bruit multiplicatif b(n) un bruit blanc gaussien additif circulaire et stationnaire Exemple : a(n) appartient à une modulation MDA-2/BPSK Philippe Ciblat Harmonic with f0=0.1 and SNR=0dB Harmonic with f0=0.1 and SNR=10dB 6 4 4 4 2 2 2 0 −2 −4 −6 Real part of harmonic 6 Real part of harmonic Real part of harmonic Harmonic with f0=0.1 and SNR=−10dB 6 0 −2 −4 0 10 20 30 40 50 60 sample index 70 80 RSB=−10dB 90 100 −6 0 −2 −4 0 10 20 30 40 50 60 sample index 70 80 90 100 RSB=0dB −6 0 10 20 30 40 50 60 sample index 70 80 90 100 RSB=10dB − idem avec la partie imaginaire Estimation de la fréquence 25 / 40 Modèles Estimation DA Estimation NDA Définition de la circularité Circularité (au sens strict) Soit Z une variable aléatoire centrée à valeurs complexes Z est dit circulaire au sens strict ssi Z et Zeiθ ont la même densité de probabilité pour tout θ Propriété : E[Z · · Z} |Z ·{z · · Z}] = 0dès que p 6= q | ·{z p fois q fois Remarque : Z est circulaire (jusqu’à l’ordre M − 1) , et de manière équivalente, non-circulaire (à partir l’ordre M) ssi Philippe Ciblat E[Z · · Z} |Z ·{z · · Z}] = 0 dès que p 6= q | ·{z p fois et p + q < M q fois Estimation de la fréquence 26 / 40 Modèles Estimation DA Estimation NDA Signal non-circulaire Remarque Toute constellation usuelle admet une symétrie de rotation d’angle 2π/M ce qui implique une non-circularité à l’ordre M Constellation Taille M MDA-P 2 MDP-P P MAQ-P 4 Hypothèses : a(n) est non-circulaire à l’ordre M ⇔ E[a(n)M ] 6= 0 a(n) est gaussien ou pas a(n) est coloré ou pas Remarque : hypothèses réalistes en communications numériques Philippe Ciblat Estimation de la fréquence 27 / 40 Modèles Estimation DA Estimation NDA Signal non-circulaire au second ordre (I) Comme ua (0) = E[a2 (n)] 6= 0, on a z(n) = y 2 (n) = ua (0)e2iπ(2f0 )n + e(n) où e(n) est un bruit additif non-gaussien et non-stationnaire Remarques Philippe Ciblat Estimation de fréquence dans un bruit multiplicatif et additif m Estimation de fréquence dans un bruit additif non-standard Périodogramme basé sur y 2 (n) au lieu de y (n) Si a(n) est coloré, périodogramme non exhaustif Estimation de la fréquence 28 / 40 Modèles Estimation DA Estimation NDA Signal non-circulaire au second ordre (II) En posant ua (τ ) = E[a(n + τ )a(n)], on a zτ (n) = y (n + τ )y (n) = ua (τ )e2iπf0 τ e2iπ(2f0 )n + eτ (n) f̂N = arg max JN (f ) f = = 2 T 1 N−1 X X −2iπ(2f )n zτ (n)e N τ =−T n=0 N−1 2 1 X −2iπ(2f )n z(n)e N n=0 avec z(n) = [z−T (n), . . . , zT (n)]T Remarque : Philippe Ciblat Périodogramme pour signal vectoriel Estimateur de l’élévation au carré (étendu) Estimation de la fréquence 29 / 40 Modèles Estimation DA Estimation NDA Signal non-circulaire aux ordres supérieurs MDP-P (1983) 2 N−1 1 X P −2iπ(Pf )n E[a(n) ] 6= 0 ⇔ f̂N = arg max y (n)e N f P n=0 MAQ-P (2001 et 2004) N−1 2 1 X 4 −2iπ(4f )n E[a(n) ] 6= 0 ⇔ f̂N = arg max y (n)e N f 4 n=0 ⇒ L’estimateur de l’élévation à la puissance Philippe Ciblat Estimation de la fréquence 30 / 40 Modèles Estimation DA Estimation NDA Analyse asymptotique Consistance Normalité asymptotique (avec vitesse de convergence de 3) Covariance asymptotique γ ont été établies et calculées pour le problème suivant N−1 2 1 X f̂N = arg max JN (α) = z(n)e−2iπ(Mf )n N f n=0 avec z(n) = αe2iπ(Mf )n + e(n) et e(n) un processus centré Remarque Philippe Ciblat Analyse valide pour les signaux non-circulaires (∀M) Covariance asymptotique γ dépend des statistiques de e(n) EQM = γ N3 Estimation de la fréquence 31 / 40 Modèles Estimation DA Estimation NDA Simulations Philippe Ciblat a(n) appartient à une MDA-2/BPSK N = 100 Harmonic in multiplicative noise with f0=0.1, N=100 and SNR=−10dB Harmonic in multiplicative noise with f0=0.1, N=100 and SNR=0dB 40 20 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 20 10 0 1 25 FFT norm based on y 60 0 0 Harmonic in multiplicative noise with f0=0.1, N=100 and SNR=−10dB 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 200 100 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 RSB=−10dB 0.9 10 5 0 1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 1 120 100 80 60 40 20 0 0.1 Harmonic in multiplicative noise with f0=0.1, N=100 and SNR=10dB FFT norm based on y 2 FFT norm based on y 2 300 0 15 0 1 120 2 FFT norm based on y 0.1 20 Harmonic in multiplicative noise with f0=0.1, N=100 and SNR=0dB 400 0 Harmonic in multiplicative noise with f0=0.1, N=100 and SNR=10dB 30 FFT norm based on y FFT norm based on y 80 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 1 RSB=0dB Estimation de la fréquence 100 80 60 40 20 0 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 1 RSB=10dB 32 / 40 Modèles Estimation DA Estimation NDA EQM en fonction du RSB a(n) = sn + 0.75sn−1 sn blanc gaussien t.q. E[|sn |2 ] = 1 et E[sn2 ] = 0.75 N = 100 MSE versus SNR −1 10 Theoretical MSE Empirical MSE −2 10 −3 10 −4 MSE 10 −5 10 −6 10 −7 10 −8 10 −5 0 5 10 15 SNR (N=100 ; rho=0.75 ; a=0.75) 20 25 Questions Philippe Ciblat EQM théorique inexacte à faible RSB phénomène de décrochement Sommes-nous loin de la CRB ? Estimation de la fréquence 33 / 40 Modèles Estimation DA Estimation NDA Phénomène de décrochement On s’intéresse à l’estimateur de l’élévation à la puisssance N−1 2 1 X 1 M −2iπαn arg max f̂N = y (n) e M α∈]−1/2,1/2] N n=0 avec y (n)M = ue2iπMf0 n + e(n) Ce périodogramme est maximisé en deux étapes une étape grossière détectant le pic une étape fine raffinant l’estimation autour du pic Remarque A faible RSB et/ou quand le nombre d’échantillons est petit, l’étape grossière peut échouer ⇒ phénomène de décrochement Philippe Ciblat Estimation de la fréquence 34 / 40 Modèles Estimation DA Estimation NDA Exemple Philippe Ciblat a(n) apparttient à une MDA-2/BPSK RSB=−5dB Harmonic in multiplicative noise with f0=0.1, N=100 and SNR=−5dB Harmonic in multiplicative noise with f0=0.1, N=500 and SNR=−5dB 140 450 400 120 350 2 FFT norm based on y FFT norm based on y 2 100 80 60 300 250 200 150 40 100 20 0 50 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 1 Périodogramme avec N = 100 0 0 0.1 0.2 0.3 0.4 0.5 0.6 frequency index 0.7 0.8 0.9 1 Périodogramme avec N = 500 Estimation de la fréquence 35 / 40 Modèles Estimation DA Estimation NDA Erreur quadratique moyenne EQM exacte Si la fréquence recherchée est au centre de l’intervalle de recherche, alors p EQM = + (1 − p)EQMs.d. 12 où p est la probabilité que l’étape grossière échoue EQMs.d. est l’EQM classique (ne prenant pas en compte le phénomène de décrochement) Résultats EQMs.d. disponible dans la littérature (cf. planches précédentes) p disponible dans la littérature Philippe Ciblat a(n) constant (1974) a(n) blanc et appartient à une constellation usuelle (2006) Estimation de la fréquence 36 / 40 Modèles Estimation DA Estimation NDA Simulations : EQM en fonction du RSB Theoretical and Empirical MSE versus Eb/N0 (N=128 − QPSK/4QAM) 0 10 Empirical MSE Theoretical MSE (w/o outliers) Theoretical MSE (w. outliers) −2 10 −2 10 −4 −4 10 MSE MSE 10 −6 10 −8 10 −10 −10 10 10 −12 −2 −6 10 −8 10 10 Theoretical and Empirical MSE versus Eb/N0 (N=128 − 256QAM) 0 10 Empirical MSE Theoretical MSE (w/o outliers) Theoretical MSE (w. outliers) −12 0 2 4 6 8 10 Eb/N0 12 14 16 MAQ-4 et N = 128 18 20 10 0 5 10 15 Eb/N0 20 25 30 MAQ-256 et N = 128 Analyse de seuil Philippe Ciblat Pour MAQ-4, RSBseuil = 6dB si N = 128 Pour MAQ-P (avec P > 4), palier pour p ⇒ pas de seuil Estimation de la fréquence 37 / 40 Modèles Estimation DA Estimation NDA Simulations : EQM en fonction de N Philippe Ciblat 0 Theoretical and Empirical MSE versus N (Eb/N0=5dB − QPSK/4QAM) 10 Empirical MSE Theoretical MSE (w/o. outliers) Theoretical MSE (w. outliers) −2 10 −4 −4 10 MSE MSE Empirical MSE Theoretical MSE (w/o. outliers) Theoretical MSE (w. outliers) −2 10 10 −6 10 −8 −6 10 −8 10 10 −10 −10 10 10 −12 10 Theoretical and Empirical MSE versus N (Eb/N0=20dB − 256QAM) 0 10 −12 50 100 150 200 250 N 300 350 400 450 MAQ-4 et Eb /N0 = 5dB 500 10 100 150 200 250 300 N 350 400 450 500 MAQ-256 et Eb /N0 = 20dB Quand N augmente, p décroît (pas de palier) N’importe quelle EQM est réalisable MAIS parfois avec N grand Estimation de la fréquence 38 / 40 Modèles Estimation DA Estimation NDA Problèmes non traités Philippe Ciblat 1. Conception de la séquence d’apprentissage ? 2. Sommes-nous loin de la CRB ? 3. Comment calculer la CRB dans un contexte autodidacte 4. Décrochement : est-ce intrinsèque au problème ou juste à l’estimateur de l’élévation à la puissance ? 5. Extension à l’OFDM Méthode supervisée : démarche identique Méthode autodidacte : sous-porteuses nulles (détecteur d’énergie, méthode sous-espace), égalisation entre porteuses, non-circularité, ... Estimation de la fréquence 39 / 40 Modèles Estimation DA Estimation NDA Bibliographie Philippe Ciblat E. Hannan, "The estimation of frequency", Journal of Applied Probability, 1973. D. Rife et R. Boorstyn, "Single-tone parameter estimation from discrete-time observations", IEEE Trans. on Information Theory, Septembre 1974. A. Viterbi, "Non-linear estimation of PSK-modulated carrier phase with application to burst digital transmissions", IEEE Trans. on Information Theory, Juillet 1983. U. Mengali et A. d’Andrea, "Synchronisation techniques for digital receivers", Plenum Press, 1997. H. Meyr et al., " Digital communications receivers", Wiley, 1998. M. Ghogho, A. Swami et A. Nandi, "Non-linear least squares estimation for harmonics in multiplicative and additive noise", Signal Processing, Octobre 1999. M. Morelli et U. Mengali, "Carrier frequency estimation for transmissions over selective channels", IEEE Trans. on Communications, Septembre 2000. P. Ciblat et al., "Asymptotic analysis of blind cyclic correlation based symbol rate estimation", IEEE Trans. on Information Theory, Juillet 2002. N. Noels et al., "Turbosynchronization : an EM algorithm interpretation", IEEE International Conf. on Communications (ICC), 2003. Y. Wang et al., "Optimal blind carrier recovery for M-PSK burst transmissions", IEEE Trans. on Communications, Septembre 2003. P. Ciblat et al., "Training Sequence Optimization for joint Channel and Frequency Offset estimation", IEEE Trans. on Signal Processing, Août 2008. Estimation de la fréquence 40 / 40