NantilusÉgalisation adaptative des canaux de transmission non-stationnaires et non-linéaires par des réseaux neuronaux R.B.F.
Dans cette thèse, nous avons étudié et réalisé l égalisation adaptative des canaux radio-mobiles, par des égaliseurs neuronaux RBFNN et RBFNN-DF qui implémentent la fonction de décision bayésienne optimale symbole par symbole, et traitent le problème de l égalisation comme un problème de classificat...
Enregistré dans:
| Auteur principal : | |
|---|---|
| Collectivités auteurs : | , , , |
| Autres auteurs : | , , |
| Format : | Thèse ou mémoire |
| Langue : | français |
| Titre complet : | Égalisation adaptative des canaux de transmission non-stationnaires et non-linéaires par des réseaux neuronaux R.B.F. / Rima Assaf; sous la direction de Safwan El Assad; co-directeur Mohamed Zoaeter; co-encadrant Youssef Harkouss |
| Publié : |
[S.l.] :
[s.n.]
, 2009 |
| Description matérielle : | 1 vol. (171 p.) |
| Note de thèse : | Thèse doctorat : Électronique : Nantes : 2009 |
| Disponibilité : | Publication autorisée par le jury |
| Sujets : |
| LEADER | 05480cam a2200445 4500 | ||
|---|---|---|---|
| 001 | PPN142941379 | ||
| 003 | http://www.sudoc.fr/142941379 | ||
| 005 | 20240531154500.0 | ||
| 029 | |a FR |b 2009NANT2006 | ||
| 100 | |a 20100330d2009 k y0frey0103 ba | ||
| 101 | 0 | |a fre |d fre |d eng | |
| 102 | |a FR | ||
| 105 | |a a m 000yy | ||
| 106 | |a r | ||
| 200 | 1 | |a Égalisation adaptative des canaux de transmission non-stationnaires et non-linéaires par des réseaux neuronaux R.B.F. |b Texte imprimé |f Rima Assaf |g sous la direction de Safwan El Assad |g co-directeur Mohamed Zoaeter |g co-encadrant Youssef Harkouss | |
| 210 | |a [S.l.] |c [s.n.] |d 2009 | ||
| 215 | |a 1 vol. (171 p.) |c ill. |d 30 cm | ||
| 310 | |a Publication autorisée par le jury | ||
| 320 | |a Bibliogr. p. 167-171 | ||
| 328 | |b Thèse doctorat |c Électronique |e Nantes |d 2009 | ||
| 330 | |a Dans cette thèse, nous avons étudié et réalisé l égalisation adaptative des canaux radio-mobiles, par des égaliseurs neuronaux RBFNN et RBFNN-DF qui implémentent la fonction de décision bayésienne optimale symbole par symbole, et traitent le problème de l égalisation comme un problème de classification. Une architecture pour l égaliseur RBFNN-DF est proposée, elle se caractérise par une réduction du nombre des neurones de la couche cachée. Un algorithme de classification non-supervisé est proposé, il se caractérise par sa convergence rapide et ses bonnes performances de classification. Pour l implémentation de l égaliseur RBFNN-DF, un algorithme supplémentaire est proposé. L apprentissage des paramètres seuils et poids de connexions, est réalisé par différents algorithmes d apprentissage basés descente de gradient. Ces algorithmes utilisent deux critères d optimisation, l EQM et le TEB, et deux modes d apprentissage, le gradient stochastique, et le gradient total, ainsi qu un troisième mode on-line proposé. Le mode proposé, combine les avantages des modes on-line et off-line (rapidité, stabilité de convergence, et faible occurrences des minimums locaux). L analyse comparative des performances obtenues, dans le cas d un canal non-linéaire et non stationnaire, des différents égaliseurs testés, montre en général, la supériorité de l égaliseur RBFNN-DF. Les égaliseurs proposés, sont ensuite, testés sur un modèle TDL de simulation des canaux radio mobile, permettant d exhiber les dispersions fréquentielles et temporelles. Les paramètres du modèle ont été totalement déterminés, conformément aux données décrites par les standards de télécommunications GSM et UMTS | ||
| 330 | |a The thesis investigates the adaptive equalization of nonlinear time-varying communication channels, by the Radial Basis Function Neural Network without feedback (RBFNN) and with feedback RBFNN-DF. These equalizers implement the decision function of the Bays optimal solution for classification by, adjusting adequately theirs parameters i.e. the centers and the spreads of neurons of the hidden layer and the weights connection of the hidden-output layer. We propose a new architecture for the equalizer RBFNN-DF, which reduces the number of hidden layer neurons, and gives good performances in comparison with the RBFNN equalizer. We proposed as well, an unsupervised classification algorithm to determine the centers of the hidden layer. Advantages of the proposed algorithm are: the determination of the channel states without knowing their number previously, and its rapid training in comparison with others found in the literature such as the LBG (Lind, Buzo and Gray) competitive algorithms. Also, we proposed a supervised algorithm for the classification of determined channel states. It is used in the case of the RBFNN-DFE. Algorithms based on descent of the gradient are used for the training of others parameters, following two criteria: the mean square error and the bit error rate. Besides the two well known training modes (online and offline), these algorithms apply also a third proposed mode that combines the advantages of these modes, such as rapidity, convergence stability as well as the occurrence of the global minimum solution. Performances of the equalizers are evaluated by using TDL models which implement reel GSM and UMTS channels | ||
| 541 | | | |a Adaptive equalization of the non-stationary and non-linear transmission channels by neural networks R.B.F. |z eng | |
| 606 | |3 PPN027391884 |a Égaliseurs (électronique) |3 PPN027253139 |x Thèses et écrits académiques |2 rameau | ||
| 606 | |3 PPN030971098 |a Réseaux neuronaux (informatique) |3 PPN027253139 |x Thèses et écrits académiques |2 rameau | ||
| 606 | |3 PPN03256273X |a Radiofréquences |3 PPN027253139 |x Thèses et écrits académiques |2 rameau | ||
| 686 | |a 530 |2 TEF | ||
| 686 | |a 620 |2 TEF | ||
| 700 | 1 | |3 PPN142941174 |a Assaf |b Rima |f 1977-.... |4 070 | |
| 702 | 1 | |3 PPN031936830 |a El Assad |b Safwan |f 1957-.... |4 727 | |
| 702 | 1 | |3 PPN067121063 |a Zoaeter |b Mohamed |4 727 | |
| 702 | 1 | |3 PPN14293643X |a Harkouss |b Youssef |4 727 | |
| 712 | 0 | 2 | |3 PPN026403447 |a Université de Nantes |c 1962-2021 |4 295 |
| 712 | 0 | 2 | |3 PPN033124884 |a Université de Nantes |b Faculté des sciences et des techniques |4 985 |
| 712 | 0 | 2 | |3 PPN068449399 |a École polytechnique de l'Université de Nantes |4 985 |
| 712 | 0 | 2 | |3 PPN134103211 |a École doctorale Sciences et technologies de l'information et mathématiques |c Nantes |4 295 |
| 801 | 3 | |a FR |b Abes |c 20171204 |g AFNOR | |
| 979 | |a SCI | ||
| 930 | |5 441092104:393172724 |b 441092104 |j u | ||
| 998 | |a 581553 | ||