FR3111453A1 - Discrimination adaptative de signaux radio par réseau de neurones - Google Patents
Discrimination adaptative de signaux radio par réseau de neurones Download PDFInfo
- Publication number
- FR3111453A1 FR3111453A1 FR2006055A FR2006055A FR3111453A1 FR 3111453 A1 FR3111453 A1 FR 3111453A1 FR 2006055 A FR2006055 A FR 2006055A FR 2006055 A FR2006055 A FR 2006055A FR 3111453 A1 FR3111453 A1 FR 3111453A1
- Authority
- FR
- France
- Prior art keywords
- symbols
- network
- channels
- neurons
- convergence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0452—Multi-user MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Image Analysis (AREA)
Abstract
Procédé de discrimination de signaux véhiculés par au moins un canal de propagation comportant une proportion variable de symboles d’apprentissage connus, caractérisé en ce qu’il inclut une étape d’identification d’au moins un desdits canaux sur la base d’un réseau de neurones utilisant dans sa couche d’entrée au moins un desdits symboles d’apprentissage.
Description
Le contexte de l’invention est celui de la discrimination de signaux transportés par des canaux de propagations radio, en particulier la radio cellulaire et les standards modernes de radiocommunications avec les mobiles de type 2G (GSM), 3G (UMTS/CDMA), 4G (LTE), 5G sans limitations de bandes ou fréquences de fonctionnement.
Etat de l’art : La discrimination des signaux radio nécessitent une estimation de la réponse des canaux radio à un signal connu. On parle en automatique d’estimation de la « réponse impulsionnelle » du canal. C’est une fonction clé des transmissions numériques. Elle est largement décrite dans de nombreux ouvrages tels que :
- Principes de radiocommunications de troisième génération – Thierry Lucidarme – Ed. Vuibert
- Evolved Packet System (EPS)- Pierre Lescuyer – Thierry lucidarme – Ed. Wiley.
Ces méthodes statistiques sont décrites p 60 à 72 entre autres dans le livre « Principes de radiocommunication de troisième génération » de Thierry Lucidarme aux éditions Vuibert.
Ces méthodes dites « à noyaux », mises en œuvre grâce aux progrès de l’électronique numérique, ont permis le décollage commercial de la téléphonie mobile avec le succès qu’on connaît. Une méthode robuste d’estimation de canal et d’autant plus utile en cas d’interférences intersymboles (ISI) prononcées et de multi-trajets de propagation. Ces méthodes sont également mises en œuvre dans le cas de traitement de canaux spatiaux dits MIMO (Multi-Input-Multi-Output) à la base des technologies 4G et 5G, pour lesquels les symboles de référence (ou d’apprentissage) sont placés sur plusieurs antennes d’émission à des tranches de temps et à des fréquences différentes en fonction des antennes. L’inconvénient de ces méthodes statistiques est de devoir procéder à une estimation du canal « par bloc », c’est-à-dire de devoir attendre la réception d’un nombre suffisamment de symboles de référence pour calculer une matrice de corrélation puis la mettre à jour à réception du bloc suivant. Il faut donc une certaine stationnarité du canal autorisant ces opérations. Par ailleurs, en présence de bruit ou d’interférences fortes, les systèmes d’équations à résoudre peuvent se trouver « mal conditionnés » entrainant des difficultés de résolution.
Plus récemment, les réseaux de neurones ont été remis au goût du jour, en particulier dans des applications de reconnaissances d’objets, du fait de l’existence de bases de données de grandes contenances, utilisées à des fins d’apprentissage.
Les progrès du matériel permettent de faire fonctionner ces réseaux de neurones en temps réels. Ainsi l’estimation de canal à travers les coefficients du réseau de neurones peut réellement être en permanence adaptée sans devoir attendre les blocs suivants des méthodes « à noyaux ». Par ailleurs les réseaux de neurones ont montré leur efficacité par rapport à ces méthodes, ce qui permet de réduire les symboles de référence nécessaires à transmettre sur le canal de propagation pour un taux d’erreur par symbole reçu identique. Un des gros avantages de ces méthodes est de pouvoir améliorer les performances de détection des données radio reçues au fil du temps, à mesure que les données d’apprentissage croissent c’est-à-dire que le trafic radio reçu par un objet donné augmente, sa capacité à reconnaitre les propriétés d’un canal de propagation s’améliorent au moins sur la durée correspondant à une certaine stationnarité. De même la fonction de seuil non linéaire contenu dans les neurones d’un réseau permet une meilleur reconnaissance des symboles en présence de non linéarité dans le canal (effet de saturation de l’électronique, brouillage…) par rapport à des méthodes statistiques, mais linéaires standards.
Les progrès du matériel permettent de faire fonctionner ces réseaux de neurones en temps réels. Ainsi l’estimation de canal à travers les coefficients du réseau de neurones peut réellement être en permanence adaptée sans devoir attendre les blocs suivants des méthodes « à noyaux ». Par ailleurs les réseaux de neurones ont montré leur efficacité par rapport à ces méthodes, ce qui permet de réduire les symboles de référence nécessaires à transmettre sur le canal de propagation pour un taux d’erreur par symbole reçu identique. Un des gros avantages de ces méthodes est de pouvoir améliorer les performances de détection des données radio reçues au fil du temps, à mesure que les données d’apprentissage croissent c’est-à-dire que le trafic radio reçu par un objet donné augmente, sa capacité à reconnaitre les propriétés d’un canal de propagation s’améliorent au moins sur la durée correspondant à une certaine stationnarité. De même la fonction de seuil non linéaire contenu dans les neurones d’un réseau permet une meilleur reconnaissance des symboles en présence de non linéarité dans le canal (effet de saturation de l’électronique, brouillage…) par rapport à des méthodes statistiques, mais linéaires standards.
C’est l’objet de l’invention de proposer un modèle de discrimination des symboles reçus sur au moins un canal de propagation basé sur un réseau adaptatif de neurones qui peut être évolutif, c’est-à-dire composé de plus ou moins de neurones et de synapses en fonction de la facilité de convergence du réseau de neurone vers l’identification correcte du canal, ce qui permettra une augmentation de la bande passante souhaité (moins de symboles pilotes à transmettre), ou de la quantité de calcul nécessaire pour estimer les signaux reçus (économie sur la batterie du mobile) et d’autres avantages encore.
En nous aidant des figures, numérotées de 1 à 5, jointes à la présente, nous allons maintenant décrire dans le détail un procédé de discrimination de signaux véhiculés par au moins un canal de propagation comportant une proportion variable de symboles d’apprentissage connus, caractérisé en ce qu’il inclut une étape d’identification d’au moins un desdits canaux sur la base d’un réseau de neurones utilisant dans sa couche d’entrée au moins un desdits symboles d’apprentissage.
Un récepteur mettant en œuvre l’invention est ainsi décrit . Il s’agit d’un récepteur dit « en bande base » c’est-à-dire considéré après que les opérations de synchronisation et conversion analogique-numérique aient eu lieu. Un premier bloc (1) d’extracteur de signaux pilotes (ESP) permet de séparer à partir du signal reçu r(t) les données utiles d(t) émises des signaux pilotes Pi émis et reçus à travers la fonction de transfert H(t) d’un canal k. Par rapport au signal transmis s(t) composé de symboles de données inconnues d(t) et de symboles connus Pi(t) on peut écrire, dans le domaine temporel : Dans cette formule * représente un produit de convolution et où I(t) est le bruit ajouté par le canal de propagation (y compris les interférences non naturelles). Ou plus simplement dans le domaine fréquentiel : Les symboles pilotes reçus, c’est-à-dire la quantité Pi(t)*H(t)+I(t) sont extraits de façon facile par des moyens simples et connus, car par définition, on connaît leurs positions dans les trames (temps), leur fréquence, leur support de transmission (ports d’antennes). Ils vont alimenter selon l’invention un réseau de neurones adaptatif (2), le RNA dont la mission va être de s’adapter pour « reconnaître » Pi(t) à partir de Pi(t)*H(t)+I(t).
Sans rentrer dans les détails, le spécialiste de radiocommunications numériques comprendra sans difficulté qu’en matière de forme d’onde, le symbole d’apprentissage dont il est question en bande de base correspond typiquement, dans le cas de la modulation numérique, à un symbole complexe d’une constellation convolué avec une impulsion de modulation dite « pulse » qui joue un rôle de filtre fréquentiel dans les bandes de fréquences allouées. La forme du « pulse » de modulation est une fonction propre du standard de radiocommunications type fonction de Kaiser ou de Bessel.
Par exemple, dans un système de communications organisé en trames découpées en intervalle de temps (GSM, UMTS, LTE) appelés « slots », ledit RNA prélèvera dans un slot ou dans un certain nombre de slots successifs, dans une ou plusieurs bandes de fréquences utilisées, ou sur une ou plusieurs antennes de réceptions, le nombre de symboles Pi(t) nécessaires à la convergence rapide du réseau de neurones : c’est-à-dire présentant en sortie une erreur inférieure à un certain seuil pour un nombre d’itérations (nombre de pas de gradient) minimum. En effet, comme expliqué dans l’ouvrage « Quand la machine apprend » de Yann LeCun aux éditions Odile Jacob au chapitre 5, les réseaux de neurones adaptent les coefficients des synapses (connections entre deux couches de neurones) à chaque rétro-propagation du gradient de la sortie vers l’entrée du réseau de manière à minimiser une erreur totale de reconnaissance en sortie du modèle (ici les symboles pilotes) attendu. Les symboles prélevés vont constituer les entrées des neurones de la première couche du réseau RNA. Tout particulièrement, dans le cas d’un système spatial de type MIMO, les symboles peuvent être transmis à des instants différents ou dans des bandes de fréquences différentes ou sur des ports d’antennes différents. Les entrées du RNA peuvent alors être nourries par lesdits symboles extraits de plusieurs antennes différentes effectuant une estimation spatiale des canaux.
Il est à noter qu’à un instant donné, les symboles d’apprentissage entrant dans la première couche du réseau peuvent être différents si l’on souhaite privilégié le débit du système d’information, ou identiques si on cherche à privilégier la robustesse du système.
Des exemples de distribution des symboles d’apprentissage sont donnés à la référence « Evolved packet system » Editions Wiley de Lescuyer et Lucidarme par exemple p139.
Le ou les neurones de sortie du bloc RNA identifient les symboles reçus sur chaque voie de réception et le jeu de coefficients wQij - définis plus loin- pour chaque couche Q dudit réseau (représente une matrice W qui est la modélisation du ou des canaux de propagation dans le réseau de neurones considéré. Il est important que les symboles d’apprentissage Pi obtenus pour chacun des canaux reçus soient totalement représentatifs des autres symboles de données inconnus à estimer afin que le réseau de neurones les identifie à coup sûr après avoir appris l’ensemble des données. C’est le rôle du bloc (4) qui, à l’aide du réseau de neurones appris, c’est-à-dire la matrice de coefficients W réinjectés à chaque nouvelle convergence du bloc (2) dans ledit bloc (4), permet de discriminer les symboles de données d(t) restantes à partir des signaux d(t)*H(t)+I(t) en provenance du bloc (1).
Selon l’invention, le bloc (3) est un estimateur de complexité (EC) qui recueille les paramètres issus de l’identification des données tels que leur niveau de champ (RSSI), le niveau d’interférence intersymbole estimé par des moyens classiques, le niveau de bruit I, obtenu par exemple par soustraction entre les niveaux des données reçus et celui des données détectées, le nombre CV de pas de convergence par exemple de la méthode du gradient pour faire converger le réseau de neurones. Ces grandeurs sont utilisées par le procédé d’estimation des coefficients du réseau selon l’invention qui peut être adaptatif et sélectionne le nombre de neurones et/ou de synapses à utiliser dans chacune de ses couches en fonction d’au moins un des paramètres suivants, de manière non limitative : rapidité de convergence dudit réseau, puissance ou qualité des signaux reçus, interférences dans lesdits canaux de propagation, puissance de calcul disponible, quantité d’énergie disponible, besoin de bande passante.
Enfin, le bloc (5) permet grâce à un canal de retour (CR) de type canal de contrôle d’informer l’émetteur du nombre de symboles pilotes (QP) à insérer dans les trames par voies de transmission pour garantir une convergence rapide du RNA tout en garantissant un débit de transmission maximum i.e. un nombre de symboles pilotes minimum. Ainsi, le procédé met en œuvre un canal de retour vers l’émetteur l’informant de la proportion de symboles pilotes à inclure dans les canaux transmis en fonction d’au moins un des paramètres suivants : rapidité de convergence dudit réseau, puissance ou qualité des signaux reçus, interférences dans lesdits canaux de propagation, puissance de calcul disponible, quantité d’énergie disponible, besoin de bande passante.
Ce canal de retour peut également être mis en œuvre dans un système MIMO pour indiquer à l’émetteur le nombre d’antennes suffisantes pour assurer un débit souhaité pour une robustesse (taux d’erreur) donnée. Ainsi, dans un système MIMO, l’invention permet la mise en œuvre d’un canal de retour informant l’émetteur du nombre d’antennes d’émission à utiliser, la rapidité de convergence dudit réseau, la puissance ou la qualité des signaux reçus, les interférences dans lesdits canaux de propagation, la puissance de calcul disponible, la quantité d’énergie disponible, le besoin de bande passante.
De manière classique, ce canal de retour peut être un emplacement de données réservé dans un canal de signalisation dédié, du type de ceux qui sont utilisés pour la remontée des mesures utiles à la gestion de la mobilité, au contrôle de puissance …
Pour illustrer parfaitement l’invention, nous allons nous appuyer sur les figures 2 à 5 pour illustrer encore mieux l’invention.
Par définition wQij désigne la pondération multiplicative du neurone i vers le neurone j entre les couches Q et Q+1. Cette pondération peut être un nombre complexe. Ainsi, si on désigne par I(Q) le nombre de neurones utilisés à la couche Q, chaque neurone j de la couche Q présente un signal de sortie qui vaut :
Supposons qu’un système de transmission de données sans fil utilise une modulation à 2 états du type BPSK (Binary Phase Shift Keying) sur un seul canal de propagation. Les deux symboles transmis sur le canal sont réels et valent « +1 » ou « -1 ». Pour estimer le canal de propagation sous la forme des coefficients w du RNA, le réseau va utiliser en entrée, n= 4 symboles par exemple « 1, -1, 1, -1 » prélevés sur un intervalle de temps ne véhiculant que des symboles pilotes (par exemple les « training symbols » d’un « time slot » du GSM), ou prélevés sur 4 intervalles de temps différents (par exemple dans les « training symbols » de 4 « time slots » successifs du GSM). Il faut alors que les intervalles de temps pris en compte ne soient pas éloignés de plus de la durée de stationnarité du canal. Le RNA va calculer les coefficients W de manière à reconnaitre par exemple sur m=4 sorties les symboles « 1,-1,1,-1 ».
Dans d’autres modes de réalisation, les symboles d’apprentissage peuvent être prélevés sur un canal multi porteuses (type OFDM) à n fréquences différentes et/ou multi-antennes sur n ports d’antennes différents, permettant à un instant t une estimation fréquentielle et/ou spatiale des canaux spatiaux utilisés. On appréciera le caractère global de cet estimateur.
Le système ainsi décrit est parfaitement adapté à des appareils électroniques dotés de faible puissance de calcul et/ou de batterie de capacité limité. Ainsi, si les conditions de réception sont bonnes (Puissance reçue élevée, taux d’erreur binaire bas, convergence rapide, interférences faibles) un seul symbole prélevé de temps en temps pourrait suffire à estimer le canal. Le système minimum de la figure 3 peut alors suffire. propose un exemple dans lequel le résultat attendu résulte du passage dans une couche intermédiaire du signal du neurone d’entrée pondéré par un coefficient w111 qui le fait passer dans une fonction de transfert non linéaire avant de le re-multiplier par un autre coefficient w211.
En fonction de difficultés d’estimation des canaux, un nombre plus ou moins importants de symboles pilotes pourront être utilisés et traités par des réseaux dont les nombres de couches, de neurones par couche et de synapses joignant les neurones entre deux couches voisines sont variables, comme illustrés sur les figures 4 et 5.
Dans le cas de discrimination de signaux à modulations M-aires, avec M élevé, on devra discriminer entre eux des symboles répartis dans un plan complexe (amplitude, phase) après avoir conduit un apprentissage sur autant de symboles pilotes. Les performances du RNA choisi dépendront évidemment de sa complexité. Par exemple pour une modulation à 4 états de phase, on entrainera le système dans des conditions de propagation donnée à reconnaitre les symboles ( ,- ).
Dans ce contexte, on notera que la figure 1 est un schéma traitant de signaux complexes. En pratique, et comme il est courant dans les récepteurs, le signal r(t) reçu est divisé en 2 voies déphasées de (dites en quadrature) baptisée I et Q, chacune pouvant être traitée par un schéma analogue à celui de la figure pour chaque voie.
Il va de soi que plus le système est bruité ou la bande passante est réduite et plus le système de reconnaissance de neurones devra être performant. Il devra converger dans un temps inférieur à la durée de cohérence des canaux de propagation.
Claims (9)
- Procédé de discrimination de signaux véhiculés par au moins un canal de propagation comportant une proportion variable de symboles d’apprentissage connus caractérisé en ce qu’il inclut une étape d’identification d’au moins un desdits canal sur la base d’un réseau de neurones utilisant dans sa couche d’entrée au moins un desdits symboles d’apprentissage.
- Procédé selon la revendication 1 caractérisé en ce que lesdits symboles d’apprentissage sont identiques.
- Procédé selon la revendication 1 caractérisé en ce que lesdits symboles d’apprentissage sont différents.
- Procédé selon la revendication 1 ou 2 ou 3 caractérisé en ce que lesdits symboles d’apprentissage sont prélevés à des instants différents ou dans des bandes de fréquences différentes ou sur des ports d’antennes différents.
- Procédé selon l’une quelconque des revendications précédentes caractérisé en ce que ledit réseau de neurones est adaptatif et sélectionne le nombre de couches ou de neurones par couche ou de synapses joignant les neurones entre deux couches voisines en fonction d’au moins un des paramètres suivants : rapidité de convergence dudit réseau, puissance ou qualité des signaux reçus, interférences dans lesdits canaux de propagation, puissance de calcul disponible, quantité d’énergie disponible, besoin de bande passante.
- Procédé selon l’une quelconque des revendications précédentes caractérisé en ce que ledit réseau de neurones prélève le nombre de symboles Pi(t) nécessaires à sa convergence rapide.
- Procédé selon l’une quelconque des revendications précédentes caractérisé en qu’il met en œuvre un canal de retour vers l’émetteur l’informant de la proportion de symboles pilotes à inclure dans les canaux transmis en fonction d’au moins un des paramètres suivants : rapidité de convergence dudit réseau, puissance ou qualité des signaux reçus, interférences dans lesdits canaux de propagation, puissance de calcul disponible, quantité d’énergie disponible, besoin de bande passante.
- Procédé selon les revendications de 1 à 7 caractérisé en ce qu’il met en œuvre dans un système MIMO un canal de retour informant l’émetteur du nombre d’antennes d’émission à utiliser en fonction d’au moins un des paramètres suivants : rapidité de convergence dudit réseau, puissance ou qualité des signaux reçus, interférences dans lesdits canaux de propagation, puissance de calcul disponible, quantité d’énergie disponible, besoin de bande passante.
- Récepteur de radiocommunications caractérisé en ce qu’il met en œuvre le procédé selon l’une quelconque des revendications précédentes sur deux voies de réception de signaux en quadrature.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2006055A FR3111453B1 (fr) | 2020-06-10 | 2020-06-10 | Discrimination adaptative de signaux radio par réseau de neurones |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2006055A FR3111453B1 (fr) | 2020-06-10 | 2020-06-10 | Discrimination adaptative de signaux radio par réseau de neurones |
FR2006055 | 2020-06-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3111453A1 true FR3111453A1 (fr) | 2021-12-17 |
FR3111453B1 FR3111453B1 (fr) | 2023-07-14 |
Family
ID=72644364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2006055A Active FR3111453B1 (fr) | 2020-06-10 | 2020-06-10 | Discrimination adaptative de signaux radio par réseau de neurones |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR3111453B1 (fr) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101039290B (zh) * | 2007-04-19 | 2010-08-04 | 西安电子科技大学 | 基于自适应训练序列的mimo相关信道估计方法 |
-
2020
- 2020-06-10 FR FR2006055A patent/FR3111453B1/fr active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101039290B (zh) * | 2007-04-19 | 2010-08-04 | 西安电子科技大学 | 基于自适应训练序列的mimo相关信道估计方法 |
Non-Patent Citations (2)
Title |
---|
PIERRE LESCUYERTHIERRY LUCIDARME: "Principes de radiocommunications de troisième génération", pages: 139 - 72 |
SYED JUNAID NAWAZ ET AL: "Neural Network Based MIMO-OFDM Channel Equalizer Using Comb-Type Pilot Arrangement", FUTURE COMPUTER AND COMMUNICATION, 2009 INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 3 April 2009 (2009-04-03), pages 36 - 41, XP031499464, ISBN: 978-0-7695-3591-3 * |
Also Published As
Publication number | Publication date |
---|---|
FR3111453B1 (fr) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111404849B (zh) | 一种基于深度学习的ofdm信道估计与信号检测方法 | |
CN110460402B (zh) | 一种基于深度学习的端到端通信系统建立方法 | |
EP0499560B1 (fr) | Dispositif et procédé d'estimation de canal pour un système de transmission "COFDM" | |
EP2499796B1 (fr) | Procédé pour émettre des données numériques pre-egalisées, et base émettrice mettant en oeuvre un tel procédé | |
FR2732178A1 (fr) | Systeme de transmission numerique muni d'un recepteur a egaliseurs cascades | |
EP0867079B1 (fr) | Procede et dispositif d'egalisation multicapteur permettant une reception multicapteur en presence d'interferences et de multitrajets de propagation | |
EP2846506A1 (fr) | Récepteur FBMC à compensation d'offset de fréquence porteuse | |
CN107431538A (zh) | 对光信号进行解码的方法和接收器 | |
FR2758032A1 (fr) | Egaliseur de canal adaptatif pour utilisation dans un systeme de communication numerique utilisant un procede ofdm | |
EP3506174B1 (fr) | Système de démodulation ou de recherche en aveugle des caractéristiques de signaux de télécommunication numérique | |
EP0576359B1 (fr) | Procédé et dispositif égaliseur à retour de décisions pour la transmission par blocs de symboles d'information | |
EP1941547A1 (fr) | Procédé de transmission d'un signal multiporteuse conçu pour limiter l'interférence, signal, dispositif d'émission, procédé et dispositif de réception, et programmes d'ordinateur correspondants | |
EP0614287A1 (fr) | Egalisation de blocs de données dans un système de communication à AMRT | |
WO2008062131A1 (fr) | Procedes et modules d'emission/reception pour un systeme multi-antennes multi-porteuses a sequence d'apprentissage | |
WO2006003291A1 (fr) | Procede de reduction du bruit de phase lors de la reception d'un signal ofdm, recepteur, programme et support | |
EP1391095B1 (fr) | Procede d'estimation de la fonction de transfert d'un canal de transmission d'un signal multiporteuse et recepteur correspondant | |
Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
Zhang et al. | Meta-learning-aided orthogonal frequency division multiplexing for underwater acoustic communications | |
EP3800813B1 (fr) | Procédé et un dispositif de prédiction des performances d'un récepteur dans un système de communication | |
EP3244547A1 (fr) | Émetteur/ récepteur mimo-fbmc à précodage linéaire implémenté dans le domaine fréquentiel | |
EP3917024A1 (fr) | Methode de demodulation par apprentissage automatique pour recepteurs mimo a detection d'energie | |
FR2903833A1 (fr) | Procedes d'emission et de reception d'un signal multiporteuse mettant en oeuvre une estimation de canal, dispositifs et produits programme d'ordinateur correspondants. | |
EP1774660B1 (fr) | Procede de conception d'un filtre de reception numerique et dispositif de reception correspondant | |
FR3111453A1 (fr) | Discrimination adaptative de signaux radio par réseau de neurones | |
Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20211217 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |