Département O.S.A. Rapport de stage en vue du : Master Recherche 2 ème année Circuits Systèmes Micro et Nano Technologies pour les Communications Hautes Fréquences et Optiques Domaine Sciences Technologies Santé « « D D é é t t e e c c t t i i o o n n d d e e s s A A n n g g l l e e s s e e n n 2 2 - - D D » » Auteur : Fatna BEN AHMED DAHO Responsables du stage : Patrick VAUDON Guillaume NEVEUX. Juin 2008
56
Embed
Rapport de stage en vue du - Pages perso de Patrick …patrick.vaudon.pagesperso-orange.fr/fatna.pdf · Rapport de stage en vue du : Master Recherche 2 ème année ... permanente
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Département O.S.A.
Rapport de stage en vue du :
Master Recherche 2 ème année
Circuits Systèmes Micro et Nano Technologies pour les Communications Hautes Fréquences et Optiques
( , ) [1, , , ]x k k y k k x k k y k kj d d j d Mx d My T
k ka e eπ πθ ϕ θ ϕ θ ϕ θ ϕλ λθ ϕ
− + − − + −= …
A est la matrice de dimension [M x K] formée par la concaténation des vecteurs
directeurs ( , )k ka θ ϕ , 1..k K=
- N(t) est la matrice au niveau du réseau de dimension [MxxMy N ].
La matrice de covariance est estimée par la quantité :
1. . H
xxR X XN
=
III.3 / MUSIC 2-D:
III.3.1 / Description:
Après avoir déterminé la matrice de corrélation du vecteur ( )X t , la méthode
d’estimation décrite dans le passage II. 2, est applicable pour estimer les angles d’arrivée en
élévation et en azimut des sources. L’algorithme MUSIC 2-D [3,4] utilisé est donné par :
1_
( , ) . . . ( , )H Hn n
Spectre MUSICa E E aθ ϕ θ ϕ
=
Pour estimer les directions d’arrivée en élévation et en azimut, il faut :
• Estimer la matrice de covariance du vecteur d’observation total.
• Diagonaliser cette matrice et estimer le sous-espace bruit qui est engendré par les
vecteurs propres liés aux Mx.My –K petites valeurs propres.
1 2,[ , , ]n K K ME V V V+ += …
• Appliquer le projecteur défini par . Hn nC E E= à tous les vecteurs directionnels
possibles qui sont en fonction de θ et de ϕ puis identifier ceux qui minimisent la
projection.
• Les minimums de cette projection correspondent à la direction d’arrivée en élévation
et en azimut.
23
III.3.2 / Résultats de simulation:
La figure ci-dessous présente le résultat de simulation de deux sinusoïdes de DoA
(-10°,25°) et (35°,-45°) arrivant sur un réseau de dimension Mx=5, et My=4, à un SNR = 10
dB. Le tracé de spectre affiche deux pics qui correspondent aux coordonnées angulaires
(35°,-45°) et (-10°,25°).
III.3.3 / Etude des performances de MUSIC 2-D :
III.3.3.a / L’erreur d’estimation: On considère un réseau rectangulaire de dimension Mx =5 et My=4, dont les
antennes sont identiques et uniformément espacées de / 2x yd d d λ= = = , perturbé par
deux sinusoïdes décorrélées et de DoA (-30°,-20°) e t (10°,60°).
On se propose d’évaluer la RMSE (Root Mean Square Error) de MUSIC 2-D pour la
configuration proposée ci-dessus.
ˆ ˆ( )² ( )²k k k kRMSE θ θ ϕ ϕ= − + −
Fig. III.2 : Résultat de simulation de DoA de deux sources décorrélées, SNR = 10 dB
24
0 2 4 6 8 10 12 14 16 18 200
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
SNR (dB)
RM
SE
(°)
III.3.3.b / La résolution de 2-D MUSIC :
* La résolution en élévation:
Pour étudier la résolution, on considère deux signaux parfaitement décorrélées arrivant sur
un réseau rectangulaire uniforme avec le même angle d’azimut ϕ et avec des angles
d’élévation différents. Le principe est de déterminer l’intervalle d’angle d’élévation minimal
séparant les deux sources et à partir duquel l’estimation des DoA par MUSIC est bonne.
Soit deux sinusoïdes décorrélés arrivant sur un réseau de dimension [5 x 4] avec le même
angle d’azimut ϕ = 10° à un SNR= 10 dB. On cherche l’intervalle angu laire seuil en élévation
θ∆ à partir duquel MUSIC 2-D est capable d’estimer les deux directions d’arrivée sans les
confondre. De nombreux essais indépendants sont faits.
Spectre MUSIC
( )θ ° ( )ϕ °
Fig. III. 3 : l’erreur quadratique moyenne de MUSIC 2-D en fonction du SNR
25
A SNR= 10 dB, on obtient une résolution en élévation de 8°.
* La résolution azimutale:
On s’intéresse maintenant à la résolution en azimut. On effectue la même démarche
décrite dans le paragraphe précédent, sauf qu’on fixe l’angle d’élévation θ et on cherche
l’intervalle ϕ∆ à partir duquel l’estimation MUSIC 2-D est capable de séparer deux sources
et d’estimer leurs DoA correctement. On considère les mêmes paramètres de réseau, de
bruit. On fixe l’angle d’élévation θ = 20° et on cherche l’intervalle en angulaire seuil ϕ∆ qui
correspond à la résolution azimutale.
On note que cette valeur est la même pour différentes incidences pour un SNR = 10 dB.
La résolution en élévation de MUSIC 2-D est estimée à 8° et la résolution azimutale à 16°.
θ∆ = 8°
20
10
20
26
θ =20°
16°
10ϕ = °
( )θ °
( )ϕ °
26
Qualitativement, cette résolution s’améliore pour les valeurs de SNR optimales.
III .4 / ESPRIT 2-D III.4.1 / Description :
Avec l’utilisation des réseaux planaires, le principe de la méthode ESPRIT 2-D
[3] ne change pas par rapport à ce qui a été décrit dans le chapitre II.3. Cette méthode est
basée sur les propriétés du sous espace signal, engendré par les K vecteurs propres liés
aux K plus grandes valeurs propre de la matrice de covariance.
L’information sur la direction d’arrivée est contenue dans les valeurs propres des
deux matrices de transformation qui lient respectivement les sous réseaux 1 & 2, et les sous
réseaux 3 & 4.
Fig. III.1 : formations des sous-réseaux. On définit ces transformations par :
Es2 = 12T *Es1
Es4 = 34T *Es3
Les sous-espaces Es2 et Es1 sont de dimension [(Mx-1) x K] et les sous-espaces de
dimension [(My-1) x K].
On nomme xλ et yλ , les vecteurs de valeurs propres de 12T & 34T de longueur K.
Pour k = 1…K, on exprime les angles d’arrivée comme suit :
, ,
,1
,
arg( )² arg( )arcsin
(2 / )²
arg( )tan
arg( )
x k y kk
y kk
x k
d
λ λθ
π λλ
ϕλ
−
+=
=
27
III.4.2 / Résultats de simulation: On considère deux sinusoïdes décorrélées arrivant sur un réseau rectangulaire uniforme de
dimension Mx=5 et My =4, avec les DoA (-10°,25°) et (35°,-45°),
L’estimation par ESPRIT pour un SNR = 10dB donne le résultat suivant;
Source1
source 2
θ
-10.0874
34.7861
ϕ 25.6493 -44.7881
On note que l’erreur réelle n’est pas supérieure à 1° à un SNR de 10 dB.
III.4.3 / Performance de 2-D ESPRIT
III.3.3.a / l’erreur de l’estimation des angles d’arrivée :
On considère un RRU (Réseau Rectangulaire Uniforme) de 5x4 éléments, perturbé
par trois signaux décorrélés, On fixe:
On étudie l’influence du bruit sur la précision de l’estimation :
Pour de nombreux essais indépendants, le calcul donne une RMSE de 0.81° à un SNR de 10dB. Cette erreur croît avec le niveau de bruit. III.3.3.b / La résolution
On considère deux sources décorrélées arrivant sur un réseau d’antennes isotropes,
rectangulaire uniforme de dimension Mx=5 et My = 4. Les signaux arrivent avec le même
angle d’élévation fixé à θ = -30°. On fait varier l’angle d’azimut φ pour déterminer la
résolution azimutale à un SNR = 25 dB puis à un SNR = 10 dB
Les résultats de simulation sont présentés dans les tableaux ci-dessous :
source 1 2 3
élévation θ -55 -15 40
azimut ϕ -30 10 -65
ˆ ˆ( )² ( )²k k k kRMSE θ θ ϕ ϕ= − + −
28
Source1
source 2
θ
-29.3402 -30.7334
ϕ 10.5927 15.6262
Source1
source 2
θ
-29.8489 -30.7334
ϕ 12.711 16.7552
On observe que l’estimation est relativement bonne. A SNR = 25 dB, ESPRIT 2-D
arrive à bien estimer les DoA de sources de même élévation θ et séparées d’un intervalle
5ϕ∆ = ° en azimut. A SNR = 10 dB, ESPRIT arrive à estimer les deux sources de même
DoA et séparées d’un intervalle 5ϕ∆ = ° mais tolère une erreur réelle de plus de 2° en
azimut. Une démarche similaire aboutit à une résolution en élévation de 6°, cette quantité est
très sensible au bruit.
III.3.3.c / La dynamique des réseaux rectangulaires :
On étudie la dynamique des réseaux associés à ESPRIT 2-D ou à MUSIC 2-D, ou si
ESPRIT et MUSIC estiment correctement toute valeur de DoA. La figure III. 6. a montre que
le réseau d’antennes isotropes, rectangulaire, uniforme et associé à ESPRIT ou à MUSIC
couvre pratiquement tout l’espace angulaire, et l’erreur est acceptable pour les valeurs de θ
supérieures à 85°, l’erreur n’excède pas 3° et elle diminue pour les RRU de tailles plus
grandes.
La figure III. 6. b montre la bonne estimation de toutes les valeurs d’angle azimutal.
Cela s’explique par le fait que le réseau est placé dans le plan azimutal (XoY).
SNR = 25 dB
SNR = 10 dB
29
-100 -80 -60 -40 -20 0 20 40 60 80 100-100
-80
-60
-40
-20
0
20
40
60
80
100X: 87.4Y: 90
angle théorique
angl
e m
esur
é
limite de détection en thêta, SNR =10dB, URA 5x4
Fig. III. 6. a : angle d’élévation simulé en fonction de l’angle théorique
-100 -80 -60 -40 -20 0 20 40 60 80 100-100
-80
-60
-40
-20
0
20
40
60
80
100
angle théorique
angl
e m
esur
é
limite de détection en phi, SNR =10dB, URA 5x4
Fig. III. 6. b : angle d’azimut simulé en fonction de l’angle théorique
Cependant si les deux dimensions angulaires ont des valeurs proches, l’estimation
est biaisée, nous présentons les résultats de simulation d’estimation de la direction d’arrivée
d’une source par MUSIC 2-D, la DoA théorique est de (84°,85°).
Le spectre a des pics parasites (Fig. III. 7), cela s’explique par l’apparition des lobes
du réseau quand on s’éloigne de l’axe.
30
-100-50
050
100
-100
-50
0
50
100-20
-10
0
10
20
phi
X: 84Y: 85Z: 17.82
cas particulier DoA(85°,84°)
theta
Fig. III. 7. : Spectre _MUSIC pour une source de DoA (85°,8 5°) à un SNR = 10 dB III.4 / Conclusion :
Dans ce chapitre, nous avons présenté les méthodes classiques MUSIC 2-D et
ESPRIT 2-D. nous avons également effectué une étude paramétrique de leurs
performances notamment la sensibilité au bruit, la résolution angulaire et la précision.
Quant à MUSIC 2-D, sa complexité de calcul n’a pas influencé sa précision, mais la
résolution azimutale est très médiocre.
Et quant à ESPRIT 2-D, sa précision est meilleure que celle de MUSIC 2-D, sa
résolution est plus fine, et le résultat numérique est immédiat.
31
CHAPITRE IV
ESTIMATION DE L’ORDRE DU MODELE
32
IV.1 / Introduction : Dans le chapitre précédent, le nombre de sources était supposé connu, ce qui n’est
pas généralement le cas dans la pratique. Le problème d’estimation du nombre de sources à
fait l’objet de nombreux travaux [12,13,14,15,16,17] car cette quantité est indispensable pour
les méthodes à haute résolution basée sur la décomposition en valeurs propres, tels que
MUSIC et ESPRIT, qui nécessitent la connaissance du nombre de sources décorrélées
avant d’estimer leurs directions d’arrivée.
Plusieurs méthodes ont été proposées dans la littérature [3]. Les méthodes les plus
classiques sont les méthodes du maximum de vraisemblance proposées par Bienvenu et
Kopp en 1983, et les critères issus de la théorie de l’information (ITC) [14]. Nous nous
intéresserons particulièrement au caractère ITC à savoir le critère AIC (Akaike Information
Criterion) proposé par Akaike en 1973 [18] et le critère MDL (Minimum description Length)
proposé par Schwarz en 1976 [19] qui estime les nombres de signaux à bande étroite bruités
par un bruit additif, blanc et gaussien. Ces critères dédiés à l’estimation de l’ordre du modèle
sont utilisés pour l’estimation du nombre de sources. Ces divers critères reposent sur la
similarité des valeurs propres du sous-espace bruit et consistent à minimiser une fonction de
coût d’un premier terme commun et d’un second terme qui constitue le facteur de
pénalisation [3].
1
1
ˆ
( ) log (2 ). ( )1 ˆ
N
M
ii k
M kM
ii p
ITC k k M k C l
M k
λ
λ
= +−
= +
= − + − −
∏
∑
Avec iλ les valeurs propres de la matrice de covariance classées par ordre décroissant.
C(l) est une fonction de la variable l, permet d’éviter de surestimer le nombre de
source K.
M nombre total de capteurs et N le nombre des échantillons.
IV.2 / L’estimation du nombre de sources- les critè res théoriques d’information
IV.2.1 / AIC: Le critère d’information d’Akaike AIC (Akaike Information Criterion) [18] est défini en
posant la fonction ( )C l = 1. Le nombre de source correspond au minimum de l’expression :
33
1
1
ˆ
( ) log (2 )1 ˆ
NM
ii k
M kM
ii k
AIC k k M k
M k
λ
λ
= +−
= +
= − + − −
∏
∑
IV.2.2 / MDL:
MDL (Minimum Description Length) est inspiré du critère précédent [19]. Le nombre
de source correspond au minimum de la quantité décrite ci-dessous, en posant
1( ) ln( )
2C l N= .
1
1
ˆ1
( ) log (2 ) ln21 ˆ
NM
ii k
M kM
ii k
MDL k k M k N
M k
λ
λ
= +−
= +
= − + − ⋅ −
∏
∑
IV.3 / Etude de performance :
Les critères AIC et MDL sont sensibles aux nombreux paramètres : le niveau du bruit,
la taille du réseau de capteurs, la résolution angulaire et le nombre réel des signaux
incidents. Pour vérifier cela, nous allons étudier par la suite le comportement des critères ITC
dans le cas de l’estimation de nombre de sources en utilisant des réseaux linéaires
uniformes. Ensuite, nous allons étudier l’influence des paramètres cités ci-dessus sur les
critères AIC et MDL dans le cas de l’estimation du nombre de sources associée aux réseaux
uniformes multidimensionnels. On rappelle que les antennes élémentaires sont supposées
isotropes.
IV.3.1 / estimation associée à un réseau linéaire u niforme:
IV.3.1.a / Influence du bruit On considère un réseau linéaire uniforme de taille M accueillant K signaux décorrélés
de la forme ( ) sin(2 . . ), 1..k k kS t A f t k Kπ= = ou 1 2 Kf f f≠ ≠ ≠… , d’angles
d’incidence , 1..k k Kθ = . On étudie l’influence du bruit sur l’estimation du nombre de sources.
On observe sur la figure (Fig. IV.1) le comportement du critère MDL et du critère AIC pour un
-25°,10° et 35° pour différentes valeurs du SNR. MD L et AIC sous-estiment le nombre de
34
sources jusqu’à respectivement un SNR =2 dB et un SNR = 0 dB. De manière générale, les
critères MDL ou AIC donnent le résultat attendu pour les valeurs de SNR plus grandes.
-5 0 5 10 15 20 25 300
1
2
3
4
5
6
7
X: 2Y: 4
SNR (dB)
nom
bre
de s
ourc
es e
stim
é
MDLAIC
IV.3.1.b / Influence de la taille du réseau Pour étudier l’influence de la taille du réseau sur l’estimation du nombre de sources,
on considère les mêmes paramètres du signal décrit dans le paragraphe précédent et on fixe
le SNR à 10 dB. En faisant varier la taille du réseau d’antenne, on obtient le résultat présenté
sur la figure (Fig. IV. 2). On observe sur cette figure que les deux critères AIC et MDL
estiment bien le nombre de sources.
5 10 15 20 253
3.2
3.4
3.6
3.8
4
4.2
4.4
4.6
4.8
5
taille du reseau
no
mb
re d
e s
ou
rce
s e
stim
é
MDLAIC
Fig.IV.1 Estimation du nombre de sources par AIC et MDL en fonction du SNR
Fig.IV.2 Estimation par AIC et MDL fonction de la taille du réseau
35
0 1 2 3 4 5 6 7 8 9 100
1
2
3
4
5
6
7
8
9
10
nombre de sources réel
nom
bre
de s
ourc
es e
stim
é
MDLAIC
0 1 2 3 4 5 6 7 8 9 100
1
2
3
4
5
6
7
8
9
10
nombre de sources réel
nom
bre
de s
ourc
es
est
imé
MDL
AIC
Fig. IV.3 : Nombre de sources, M=10, K= [1..9], à un SNRa = 10 dB (a) et à un SNRb = 5 dB(b)
(a)
(b)
_ _
_ max _ _ _convergence
nombre de source estimélim
nombre imal détecté par HR
−=
Cette limite est fonction du SNR et est égale à 1 lorsque l’estimateur estime le bon
nombre de sources. La limite de convergence du AIC est estimée à 1 @ 10 dB et à 0.89
@ 5 dB. La limite de convergence du MDL est estimée à 1 @ 10 dB et à 0.67@ 5 dB.
IV.3.1.c / Influence du nombre réel des signaux incidents:
Soit un réseau d’antennes isotropes, linéaire et uniforme de taille M=10, On envoie
progressivement des associations de K signaux décorrélés, K varie de 1 à 9, pour SNRa=10
dB et SNR b=5 dB.
Les critères AIC et MDL estiment correctement le nombre des signaux pour SNRa.
Pour SNR b, le critère MDL n’arrive pas à estimer le nombre de sources dès que le nombre
de signaux est supérieur à 6 et au delà de 7 signaux.
Nous définissons la limite de convergence d’un estimateur par le rapport entre le
nombre de sources estimé et le nombre maximal de signaux que peut détecter les méthodes
à haute résolution (hypothèse cf. chapitre II).
36
IV.3.2 / Estimation associée à un réseau rectangula ire uniforme: IV.3.2.a / Influence du bruit Considérons une antenne réseau rectangulaire uniforme de dimension [Mx My],
perturbée par K signaux décorrélés de DoA 1..( , )k k k Kθ ϕ = . Nous allons observer le
comportement des critères AIC et MDL en fonction du SNR. Pour cela nous considérons un
réseau de dimension Mx=5, My = 4, le nombre réel de signaux K = 3. Ces signaux sont de la
forme ( ) sin(2 . . ), 1..k k kS t A f t k Kπ= = ou 1 2 3f f f≠ ≠ , et d’angles d’incidence ( 50 ,20 ),− ° °
( 5 , 35 )− ° − ° et (10 ,40 )° ° . La figure (Fig. IV. 4) représente les résultats de simulation
obtenus :
La sensibilité au bruit alors est faible pour AIC et est légèrement plus importante pour
MDL, il donne la bonne valeur à partir de SNR = 2 dB. À partir de SNR= 2 dB, les critères
MDL et AIC sont égaux et estime bien le nombre de sources.
IV.3.1.b / Influence de la taille du réseau :
L’objectif est de déterminer la limite de convergence des critères MDL et AIC en
fonction de la taille du réseau de capteurs. On considère alors un signal incident avec la
DoA 0 0( , )θ ϕ sur un réseau planaire de dimensions [Mx My], Mx varie de 3 à 15 et My varie
aussi de 3 à 15. Les figures (Fig. IV .5.a) et (Fig. IV .5.b) correspondent à l’estimation
respectivement par les critères MDL et AIC d’une source de DoA (-50°,20°) à un SNR = 10
dB. Les deux courbes sont semblables, elles sont plates pour les petites valeurs de Mx et
My, puis croient pour les plus grandes valeurs.
-5 0 5 10 15 20 25 300
1
2
3
4
5
6
X: 2Y: 3
SNR ,réseau 5x4
est
ima
tion
pa
r le
s IT
C
MDL
AIC
SNR (dB) Fig. IV. 4 : Nombre de sources estimé en fonction du SNR
37
Afin de faciliter l’interprétation des courbes, nous utiliserons leurs tableaux
correspondant qui représentent le nombre de sources estimé par le critère AIC (tableau IV.
a) et par le critère MDL (tableau IV.b).
Pour les réseaux de taille inférieure Mx.My < 36 antennes, l’estimation est juste et
égale à 1 par MDL ou par AIC. Au-delà ; l’estimation diverge très vite : AIC ou MDL estiment
le nombre de sources à 13 pour un réseau de dimension [8 x 6] et à 31 pour un réseau de
dimension [9 x 7].
Fig. IV. 5 : Nombre de sources estimé par MDL (a) et AIC(b) en fonction de la taille du réseau
Fig. IV. 6 : estimation d’une source en fonction de la taille de réseau suivant les axes (oX) et (oY)
38
IV.3.1.c / Influence du nombre de source:
Soit maintenant un réseau uniforme dont les dimensions ne causent pas de
divergence pour AIC ou MDL accueille K signaux décorrélés de la forme
( ) sin(2 . . ), 1..k k kS t A f t k Kπ= = ou 1 2 Kf f f≠ ≠ ≠… , de DoA ( , ), 1..k k k Kθ ϕ = .
L’estimation par le critère MDL diverge pour le nombre de signaux incidents K > 3 à
SNR = 5 dB, et K> 4 à SNR = 10 dB. L’estimation par le critère AIC diverge dès que le
nombre de signaux arrivant sur le réseau de dimension [5 x 4] est supérieur à K = 4.
Telle que cela est définie au paragraphe IV.3.1.c, la limite de convergence du critère
AIC est estimée à 0.42 @ 5 dB et à 0.52 @ 10 dB. Quand au critère MDL, la limite est
estimée à 0.36 @ 5dB et à 0.42 @10dB. Ces limites sont très inférieures comparées à celles
dans le cas ou l’estimation du nombre de source est associée aux réseaux linéaires.
IV.4 / Conclusion
Dans ce chapitre, nous avons présenté le critère MDL (minimum description length)
et le critère AIC (Akaike information criterion) comme les critères les plus répandus des
critères de la théorie de l’information. Nous avons étudié les performances de ces
estimateurs pour des réseaux linéaires uniformes et nous avons montrés qu’ils sont
sensibles seulement au bruit. L’estimation ne peut être biaisée ni par l’augmentation de la
0 5 10 15 20 250
2
4
6
8
10
12
14
nombre de sources réel
nom
bre
de s
ourc
e es
timé
h mdl
h aic
0 5 10 15 20 251
2
3
4
5
6
7
8
9
10
11
nombre de sources réel
nom
bre
de s
ourc
e es
timé
h mdl
h aic
(a) (b)
Fig. IV. 7 : estimation du nombre de source en fonction des signaux incidents à un SNR =5 dB (a)et à un SNR = 10 dB (b)
39
taille du réseau, ni par la modification du nombre de signaux incidents jusqu’à la limite de
détection des méthodes à haute résolution : 1K M≤ − .
Ensuite, nous avons constaté que l’association du critère MDL ou du critère AIC aux
réseaux rectangulaires réduisait fortement leurs performances en faisant une comparaison
avec le cas où ils sont associés à des réseaux linéaires.
L’estimation bidimensionnelle des angles d’arrivée en utilisant des réseaux planaires
est limitée par l’estimation du nombre de sources. C’est pourquoi, il parait plus avantageux
d’estimer les angles d’arrivée en élévation et en azimut en associant deux réseaux linéaires
en forme de L.
40
Chapitre V
L’Estimation de la Direction d’Arrivée en 2-D
en utilisant des Réseaux en L
41
V.1 / Introduction :
L’étude des méthodes à haute résolution en 2-D a permis de constater les limites de
performance de ces méthodes notamment par rapport à la limite de convergence.
En revanche, on ne rencontre pas ce problème lors de l’utilisation des méthodes à
haute résolution en 1-D. L’estimation de DoA en utilisant des réseaux en L présentent
l’avantage d’estimer à la fois les angles d’élévation et d’azimut, en ayant une complexité
moindre : celle des méthodes en 1-D.
V.2 / intérêt des structures particulières de résea ux :
Les méthodes classiques utilisant les réseaux uniformes linéaires ou rectangulaires
sont relativement performantes, mais pour un nombre de sources généralement connu
[chap. II, chap. III]. Dans le chapitre IV, nous avons montré que les estimateurs de l’ordre du
modèle convergent dans le cas de réseaux linéaires mais divergent très vite dans le cas des
réseaux planaires. C’est pourquoi il y a eu nécessité de définir une méthode qui combine
entre la bonne estimation en 2-D et la bonne estimation du nombre de source en 1-D, d’où
l’utilisation des réseaux en L [20], des réseaux circulaires [21] ou d’autres formes originales
[22,23,24,25,26]. Les méthodes proposées dans [27,28,29] semblent remplir les conditions
citées ci-dessus, mais elles utilisent l’itération, ce qui doit coûter en précision et en temps de
calcul (voir annexe ).
V.3 / ESPRIT 1-D associé à un algorithme de corres pondance pour
l’estimation de la Direction d’arrivée en élévation et en azimut :
V.2.1 / Modèle des données :
On considère un réseau d’antenne en L uniforme, placé dans le plan (XoY). Les
deux sous-réseaux identiques, linéaires, uniformes et placés respectivement suivant les
axes (oX) et (oY), possèdent une antenne commune considérée comme antenne de
référence. Les facteurs de réseaux suivant les axes (oX) et (oY) sont respectivement donnés
par :
42
1
1
exp( .2 . .( 1).sin .cos )
exp( .2 . .( 1).sin .sin )
M
xm
M
ym
dAF j m
dAF j m
π θ ϕλ
π θ ϕλ
=
=
= − −
= − −
∑
∑
Où d est le rapport entre la distance inter-antennes et la longueur d’onde λ ,
Y
d
Sk (S0k, θ0k, φ0k)
φ 0k
θ0k
d
X
Réseau y
… My
Fig. V.I : Réseau d’antennes en L uniforme
On considère par la suite K signaux à bande étroite décorrélés, arrivant sur le réseau
avec les directions d’arrivée ( , )k kθ ϕ , k = 1 : K.
Les vecteurs directionnels de la k-ième source suivant les axes (oX) et (oY)
s’expriment sous la forme :
, ,
, [1, , ,e ]M
x k x kj jx ka e φ φ− −= …
2, ,
, [1,e , ,e ]M
y k y kj j
y kaφ φ− −= …
1M Mx My= + −
Où , 2 . .( 1).sin .cosmx k k kd mφ π θ ϕ= − et , 2 . .( 1).sin .sinm
y k k kd mφ π θ ϕ= − sont les
déphasages géométriques introduits respectivement par les deux sous-réseaux à la k-ième
source au niveau de la m-ième antenne.
L’idée d’utiliser les réseaux en L n’est pas nouvelle. Plusieurs configurations
et algorithmes associés ont été proposés dans l’objectif d’améliorer l’efficacité de l’estimation
Et
43
des angles en deux dimensions : soit des méthodes itératives ou de simples algorithmes
d’estimation associés à des algorithmes de correspondance.
V. 2 .2 / ESPRIT associé à l’algorithme de correspo ndance pour l’estimation en 2-D:
On utilise deux algorithmes à une dimension pour estimer les angles en azimut et en
élévation. On considère le système qui est représenté dans la figure ci-dessus (Fig. V .1),
Les vecteurs d’observation à la sortie des sous réseaux X et Y sont sous la forme :
( ) . ( ) ( )x xX t A S t N t= +
( ) . ( ) ( )y yY t A S t N t= +
Où ,1 ,2 ,[ , , , ]x x x x KA a a a= … et ,1 ,2 ,[ , , , ]y y y y KA a a a= … sont les vecteurs directionnels
suivant (oX) et (oY).
( )xN t et ( )yN t sont respectivement les vecteurs de bruit suivant (oX) et (oY) de
dimension [MxN], M=Mx.My. Les matrices de covariance sont estimées par les quantités :
1. .
1. .
Hxx
Hyy
R X XN
R Y YN
=
=
Par la suite on applique ESPRIT 1-D (cf. chap. II.4) à chacune de ces matrices pour
estimer les K valeurs propres de chaque opérateur de translation liant les sous-réseaux
suivant les axes (oX) et (oY).
,1 ,2 ,
,1 ,2 ,
( , , , )
( , , , )x x x x K
y y y y K
diag
diag
λ λ λλ λ λ
Φ =Φ =
…
…
Les matrices xΦ et yΦ sont des matrices carrées de rang complet K, de valeurs propres
, 1..{ }x k k Kλ = et , 1..{ }y k k Kλ = , elles contiennent toutes les informations sur les directions
d’arrivée 1..( , )k k k Kθ ϕ = .
A ce stade, l’application de l’algorithme pour le calcul des DoA n’est pas finie. Il existe K²
possibilité aléatoires pour le calcul des directions d’arrivée dont K seulement sont justes.
D’où la nécessité d’établir un algorithme dit de correspondance ou d’identification qui forme
les bons couples , , ' 1.. , ' 1..{ , }x k y k k K k Kλ λ = = pour le calcul de la DoA en deux
dimensions.
44
V.2.3 / L’Algorithme de Correspondance (matching p air algorithm) :
L’objectif de cet algorithme est d’éviter l’itération pour fournir un résultat juste
immédiat, il est basé sur la démarche de lier deux données qui puissent être semblables.
Dans le cas de l’estimation de la DoA, cet algorithme doit choisir parmi K²
couples , , '{ , }x k y kλ λ , seulement K couples adéquats au calcul des vraies directions
d’arrivée des signaux incidents.
Cet algorithme repose sur la propriété d’orthogonalité entre le sous-espace signal et
le sous-espace bruit, il aboutit à la correspondance en minimisant le critère suivant :
, , , ' , , , ''
, , '1 1
, , '
( , ') min . ( , ) ² . ( , ) ²
arg( ) . arg( )( , )
(2 )²
H Hn x x k y k n y x k y k
k
M Mm m
x k y km m
x k y k
P k k E e E e
ed
λ λ λ λ
λ λλ λ
π= =
= −
=∑ ∑
E n, x et E n, y sont les sous-espaces bruits respectifs des matrices de covariance Rxx
et Ryy
(Voir annexes V.2.3)
Ensuite, le calcul des DoA s’effectue par les simples relations :
V.2.3 / Résultats de simulation :
On considère K = 3 signaux décorrélés arrivant des directions (20°,-30), (-40°,70°) et
(55°,40°) arrivant sur réseau en L uniforme de 15 a ntennes au total. Les simulations sont
faites à un SNR =10dB et donnent les résultats suivant :
Source 3 Source 2 Source 1
55.043° -40.32° 19.96° Angle d’élévation θ
39.983° 69.936° -30.801° Angle d’azimut φ
L’estimation est satisfaisante, l’erreur réelle est acceptable et est de l’ordre de 0.1° à un
SNR = 10 dB.
, , '
, '1
,
arg( )² arg( )²ˆ arcsin(2 )²
arg( )ˆ tan ( )
arg( )
y k y kk
y kk
y k
d
λ λθ
πλ
ϕλ
−
+=
=
Avec
45
V.3 / MUSIC 2-D associé à un réseau en L pour l’e stimation conjointe de
direction d’arrivée en azimut et en élévation:
Cette méthode rassemble la structure particulière du réseau de capteurs et
l’estimateur classique MUSIC 2-D. Elle doit sa convergence à une nouvelle forme du
vecteur directionnel qui permet d’appliquer la méthode Music 2-D et estimer conjointement
l’angle d’élévation et l’angle d’azimut sans itération ni algorithme de correspondance.
V. 3.1 / Modèle du signal :
On considère encore le même système présenté sur la figure V. 1.
Ainsi, le vecteur d’observation global peut s’écrire :
( ) . ( ) ( )X t A S t N t= +
Où 1 2( ) [ ( ), ( ), , ( )]TKS t S t S t S t= … est le vecteur signal incident.
1 1 2 2[ ( , ), ( , ), , ( , )]K KA A A Aθ ϕ θ ϕ θ ϕ= … est la matrice [MxK] de réponse du réseau
1M Mx My= + − , formée par les K vecteurs directionnels liés aux sources :
2.( 1).sin .cos
2.sin .cos
2.sin .sin
2.( 1).sin .sin
( , ) 1
x k k
x k k
y k k
y k k
j d Mx
j d
k k
j d
j d My
e
e
a
e
e
π θ ϕλ
π θ ϕλ
π θ ϕλ
π θ ϕλ
θ ϕ
− −
−
−
− −
=
⋮
⋮
avec 1..k K=
, ,2 1 ,2 ,( ) [ ( ), , ( ), ( ), ( ), , ( )]Tx M x y y MN t N t N t N t N t N t= … … est le vecteur bruit additif
gaussien de moyenne nulle et de variance ²σ de dimension [(2M-1) xN], où N est le
nombre d’échantillons et 1( )N t est le bruit au niveau de l’antenne de référence.
A partir de là, la matrice de covariance du signal de dimension est donnée par
1. . H
xxR X XN
=
46
On applique à cette dernière la méthode de MUSIC 2-D. Avec En est le sous-espace bruit engendré par les vecteurs propres de bruit liés au M-K
petites valeurs propres de la matrice de covariance xxR .
Les directions d’arrivée correspondent alors aux pics du spectre.
V. 3.2 / Résultats de simulation :
Pour vérifier la validité de cette méthode, on se propose d’estimer des DoA de trois
sources décorrélées de DoA théoriques: (-65°,-35°), (-40°,65) et (-20°,40). Le SNR=10 dB au
niveau du réseau de 15 capteurs.
( )ϕ °
( )θ °
.15=M. dB10 = résultats de simulation de DoA de trois sources à un SNR : 2.V. Fig
L’estimation est bonne pour toute valeur de DoA. V.4 / Conclusion : Dans ce chapitre nous avons proposé deux méthodes pour remédier à
l’incompatibilité entre l’estimation du nombre de sources associée à des réseaux
rectangulaires et l’estimation bidimensionnelle de DoA associée aux mêmes
structures.
1_
. ( , ) ²Hn
spectre MUSICE a θ ϕ
=
47
Avec des réseaux en L, l’estimation du nombre de sources se fait au niveau d’un des
brins du réseau (soit suivant (oX), soit suivant (oY)), par le critère AIC ou MDL.
L’estimation doit être satisfaisante à des valeurs de SNR optimale (cf. Chap. IV).
Cette quantité est alors indispensable aux méthodes d’estimation bidimensionnelle
de d’angle d’arrivée en azimut et en élévation.
48
CONCLUSION GENERALE
49
L’estimation de la direction d’arrivée en élévation et en azimut, n’a pas fait l’objet
d’une étude achevée. Plusieurs travaux ont été développés pour améliorer ou innover ce
concept. Cela se manifeste dans le premier chapitre où nous avons présenté un panel de
méthodes pour l’estimation de paramètres.
Dans le second chapitre, nous avons présenté les méthodes MUSIC et ESPRIT.
Nous avons montré que leurs précisions se dégradaient pour les forts niveaux de bruit et que
leurs résolutions angulaires étaient sensibles au bruit ainsi qu’à la taille de réseau. Nous
avons observé aussi la dynamique des réseaux linéaires associés à ces méthodes, et nous
avons constatés que toutes les valeurs d’angle d’arrivée sont correctement estimées, en
supposant les antennes isotropes.
Ensuite, nous avons consacré le troisième chapitre à la présentation de MUSIC et
ESPRIT associées à des réseaux d’antennes rectangulaires pour l’étude de l’estimation de
la direction d’arrivée en élévation et en azimut. Les performances dans ce cas ont été
étudiées en terme de sensibilité au bruit, aux dimensions du réseau et aux nombres de
signaux incidents.
Le quatrième chapitre a traité les estimateurs du nombre de sources. Nous avons
présenté les critères AIC et MDL pour l’estimation du nombre de sources. L’étude
comprenait deux parties. En premier lieu, nous avons étudié le comportement de ces
estimateurs associés aux réseaux linéaires et nous avons constaté que l’estimation du bon
nombre de sources est peu sensible au bruit, à la taille du réseau ou au flux important des
signaux et que leurs limites de convergences tendait toujours vers 1 pour les valeurs
optimales de SNR. En second lieu, nous avons montré que l’association des critères MDL ou
AIC à des structures planaires de réseaux réduisait fortement leurs convergences, les limites
de convergences étaient faibles par rapport à celles du cas précédent.
A cause de la limitation des méthodes d’estimation du nombre de sources associées
à des réseaux planaires, nous avons consacré le dernier chapitre à présenter l’adaptation de
deux méthodes issues de la littérature afin lever cette limitation. La première méthode
combine deux algorithmes 1-D pour estimer la direction d’arrivée en élévation et en azimut.
Elle fait appel ensuite à un algorithme de correspondance. Les simulations donnent de bons
résultats. La seconde propose une forme de vecteurs directionnels qui permettent d’utiliser
MUSIC 2-D ou ESPRIT 2-D pour estimer simultanément la DoA en élévation et en azimut.
Nous avons également obtenu de bons résultats avec cette méthode.
Ce travail nous montre que l’utilisation de réseaux planaires associés à des
méthodes classiques en 2-D n’est pas la meilleure solution pour l’estimation des directions
d’arrivée en 2-D. L’estimation efficace et rapide des angles d’arrivée en élévation et en
50
azimut demande le choix réfléchi de la structure particulière du réseau et l’élaboration
d’algorithmes performants pour l’estimation. La connaissance des paramètres du signal
affine la caractérisation du canal de propagation, et donc un meilleur traitement de
l’information. La réalisation d’un démonstrateur 2-D permettra de valider les algorithmes
étudiés.
51
Annexe
Les Méthodes Itératives associées aux réseaux en L pour l’estimation des
angles d’arrivée en élévation et en azimut. :
Elles évitent la décomposition en valeurs propres, qui s’alourdit d’autant plus
que le nombre des sources augmente. On propose de faire une brève présentation de cette
méthode pour introduire le contexte de l’étude dans ce chapitre.
On considère une d’antenne réseau avec la configuration proposée dans la figure
(Fig. V.2), et deux signaux décorrélés arrivant sur ce réseau avec les angles
d’incidences ( , )k kθ ϕ , k = 1, 2.
Sur le brin suivant l’axe (oZ), le vecteur d’observation du sous-réseau 1 s’exprime
sous la forme :
( ) ( ). ( ) ( )z zZ t A S t N tθ= +
Où 1 2( ) [ ( ), ( )]S t S t S t= est le vecteur signal incident.
1 2[ ( ), ( ), , ( )]z KA A A Aθ θ θ= … est le vecteur directionnel total
2 1, ,( ) [1, , , ]M
z k z k z kA θ φ φ −= … est le vecteur directionnel de la k-ième source, avec
, exp( .2 . . .cos )mz k kj d mφ π θ= − , le déphasage au niveau du m-ième capteur
( )zN t est le vecteur bruit additif gaussien de moyenne nulle et de variance ²σ
L’application d’ESPRIT 1-D au vecteur d’observation à la sortie ce sous-système conduit à
estimer les angles d’élévation kθ :
1,
ˆ cos [arg( ) / 2 ]k z k dθ π−= Φ
Où zΦ est l’opérateur de translation entre les sous-réseaux du brin suivant (oZ)
52
Fig. V.2
Y
Z
dx
dz
X
…
Mx
1
Mz
2
Sk (S0k, θ0k, φ0k)
φ 0k
θ0k
Subarray 1
Sur le second brin suivant l’axe (oX), le vecteur d’observation du sous-réseau 2
s’exprime sous la forme :
( ) ( ). ( ) ( )x xX t A S t N tθ= +
Où 2 1, ,( ) [1, , , ]M
x k x k x kA θ φ φ −= … est le vecteur directionnel de la k-ième source,
Avec , exp( .2 . . .sin .cos )mx k k kj d mφ π θ ϕ= − , k = 1 : K.
L’application d’ESPRIT 1-D au vecteur d’observation à la sortie des sous-systèmes conduit
à estimer les angles d’azimut ˆkϕ :
1,
ˆˆ cos [arg( ) / 2 . .sin ]k x k kdϕ π θ−= Φ
Où xΦ est la diagonale de l’opérateur de translation entre les sous-réseaux du brin
suivant (oX) de dimension [K x1].
53
Histogrammes : Angles d’élévation (a) et d’azimut (b) pour trois sources de DoA (60°,30°), (20°,40°) et (75°,65°) , pour SNR = 10dB, nombre total de capteurs : 11
(a)
(b)
-20 0 20 40 60 80 100 1200
50
100
150
200
250
300
350
400
450
500
X: 59.89Y: 493
theta
histogram elevation, SNR=10,sources à (20°,40°),(60 °,30°) & (75°,65°)
-20 0 20 40 60 80 100 1200
100
200
300
400
500
600
X: 62.11Y: 259
phi
histogram azimut, SNR=10,sources à (20°,40°),(60°,3 0°) & (75°,65°)
54
Résultats de simulation :
On suppose trois sources de DoA théoriques (20°,40° ), (60°,30°) et (75°,65°) arrivant
sur une antenne réseau en L de 9 antennes élémentaires. La longueur d’échantillonnage est
de N = 100, l’estimation se fait en 2000 essais indépendants.
L’estimation des angles d’élévation et d’azimut se fait respectivement dans les
intervalles [0°,180°] et [0°,360°].
La valeur de l’erreur quadratique moyenne est estimée à 0.8021° [ 28 , 29,30 ] pour un SNR
de 10dB . Bien évidemment, cette valeur se dégrade pour les hauts niveaux de bruit.
L’algorithme proposé échoue pour les valeurs d’élévation inférieures à 5° et
supérieure à 85° pour un SNR = 10 dB, il est aussi incapable de localiser les sources ayant à
la fois une élévation et une azimut inférieures à 5° .
Pour les valeurs au-delà de 90°, l’estimation est b iaisée à cause de la parité de la
fonction cos.
On Remarque un échec de 1/K de la convergence au niveau des anomalies
détectées. Cela s’explique par le fait d’absence de démarche de correspondre entre les
valeurs justes d’élévation à celles d’azimut bien que, pas loin, l’estimation des angles est
bien achevée.
Les pics à φ = 0° représentent les valeurs d’angles calculées a vec les mauvais couples de
valeurs propres des matrices de translation zΦ et xΦ . Les algorithmes proposés
nécessitent des méthodes de correspondance (matching pair algorithms).
Les résultats sont plus précis pour les grands nombres d’itération, cela coûte en
temps. Enfin la présentation des résultats nécessite l’exploitation des histogrammes, ce qui
n’est pas très pratique.
55
Bibliographie :
[1] M. MOUHAMADOU " Contribution au développement et à l’optimisation d’un démonstrateur
d’antennes adaptatives - application à des systèmes de communications sans fil haut débit : WiMax",
Unilim, 2007 , 250 p.
[2] R. BADEAU, P. COMON."Méthodes à hautes résolution pour l’estimation et le suivi des
sinusoïdes modulés". Telecom paris. 2005, 239 p
[3 ] M. Zoltowski. "Real-time DoA Estimation of wideband signals with Multidimensionnal arrays
via signal subspace techniques ". (1995) Purdue University,132 p.
[4] VU Van Yem, X. BEGAUD. "Conception et modélisation d’un sondeur de canal multi capteur
utilisant les corrélateurs cinq port", ENST, 2005, 145 p.
[5] A. Ferroal. ."Goniométrie multi-sourtces avecun système de réceptiondeux voies par des
techniquesà haute résolution ".
[6] S. Vigneshwaran, "Direction of arrival (DoA)estimation under array sensor failures using a
minimal resource allocation neural network ". (2007) IEEE Transactions on Antennas and
Propagation, 55(2), 334-343.
[7] Villegas, F. J. "Parallel genetic-algorithm optimization of shaped beam coverage areas using
planar 2-D phased arrays". IEEE Transactions on Antennas and Propagation, (2007). 55(6 II), 1745-
1753.
[8] A., Tayem, N., & Kwon, H. M. ,Senior Member, IEEE. "L-Shape 2-Dimensionnal arrival angle
estimation with propagator method ". (2005) IEEE Transactions on antennas and Propagation 53(5)
[9] A., Tayem, N., & Kwon, H. M. " 2-D DoA estimation with Propagator method for correlated
sources under unknown symmetric toeplitz noise". (2005) IEEE Transactions on antennas and
Propagation
[10] R.O Schmidt. “Multiple emitter location and signal parameter estimation”. IEEE Transactions on
antennas and Propagation .34(3), p 276-280, 1986.
[11] R.ROY , T.Kailath. “ESPRIT –estimation of signals parameters Via rotational invariance
techniques”. IEEE transactions on acoustics speech and signal processing 1989, 37 (7).
56
[12] Y.zhao, H Zhang. Z.Hu. "a new method for estimation of the source coherency structure of
widebad sources.
[13] F Gini, F.Bordoni . "On the behavoir of information theoric criteria for model order
selection if InSAR signals corrupted by multiplicative noise". Signal Proccessing 83 (2003)
1047-1063.
[14] Idir Tas , C. Latombe. "Detection multiple par les valeurs propres de la matrice spectrale".
Traitement du signal 3(2) 1986.
[15] J.Lei. C.Ping. Y.Juan. W.Yi-ling. X.Dan."A new source number estimation method based on the
beam eignevalue". Jounal of marine science and application (2007) .6(1) pp 41-46.
[16] J.Lei. C.Ping. Y.Juan. W.Yi-ling. X.Dan."A new source number estimation method based on the
beam eignevalue". Jounal of marine science and application (2007) .6(1) pp 41-46.
[17] J.P.Dalmas."On eigenvalue decomposition estimators of centro-symmetric covariance matrices ".
Jounal of marine science and application (2007) .6(1) pp 41-46.
[18] H.Akaike. ." a new lookat the statical model identification”. IEEE .trans, on aut.control AC-19
n°6,1974
[19] J Rissanen. “ modeling by shortest data description length” Automatica, 14, 1978, p 417-431.
[20] Harabi, F., Changuel, H., & Gharsallah, A. "A new estimation of direction of arrival algorithm
with a special antenna shape". Smart materials and Structure 16 (2007) 2595-2599;
[21] Goossens, R., & Rogier, H. "A hybrid UCA-RARE/Root-MUSIC approach for 2-D direction of
arrival estimation in uniform circular arrays in the presence of mutual coupling". IEEE Transactions
on Antennas and Propagation, (2007). 55(3 II), 841-849.
[22] M.Kwakkernaat,Y.Jong, M.Herben."modbile high-résolution direction finding og multipath radio
waves in azimuth and elevation". 2005 .Preoceeding of SPS-Darts
[23] Roemer, F., & Haardt, M ."Efficient 1-D and 2-D DoA estimation for non-circular sources with