10.01.2015 Views

TH`ESE DE DOCTORAT DE L'UNIVERSITÉ PARIS 6 Spécialité ...

TH`ESE DE DOCTORAT DE L'UNIVERSITÉ PARIS 6 Spécialité ...

TH`ESE DE DOCTORAT DE L'UNIVERSITÉ PARIS 6 Spécialité ...

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

56 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />

effectuée dans la section précédente peut donc s’appliquer, conduisant à une expression des puissances<br />

de signal et de bruit sur chaque sous-bande à partir desquelles le SINR peut être calculé. Tout d’abord,<br />

on étudie le cas d’une décomposition en sous-bandes par Transformée de Fourier Discrète (TFD). Puis,<br />

on s’intéresse au cas d’une décomposition en sous-bandes par utilisation d’un banc de filtre sélectif en<br />

fréquence.<br />

3.5.1 Décomposition par TFD<br />

Expression des matrices de covariance spatio-fréquentielles<br />

On note M le nombre de sous-bandes en lequel les données sont décomposées par TFD et T la<br />

période d’échantillonnage temporel. Ensuite, on appelle f max la fréquence maximale dans la bande et on<br />

suppose que l’échantillonnage spatial s’effectue avec une distance intercapteur minimale (donc égale à<br />

c<br />

2f max<br />

) afin d’éviter toute ambiguïté spatiale. Puis, on introduit Y = [y0 TyT 1 · · ·yT M−1 ]T les données spatiofréquentielles<br />

où (y m ) m=0..M−1 sont les données spatiales sur la fréquence m. La matrice de covariance<br />

spatio-fréquentielle des données est E{YY H } dont les blocs sont les matrices E{y m yl H }. Ensuite, notons<br />

e mk = e<br />

−j2π<br />

mk<br />

M les éléments de la transformation par TFD et :<br />

⎡<br />

e m = ⎢<br />

⎣<br />

1<br />

e j2π m M<br />

.<br />

m(M−1)<br />

j2π<br />

e M<br />

On introduit également la matrice T m = [ e m0 I N e m1 I N<br />

]<br />

... e mM−1 I N où IN est la matrice identité<br />

de taille (N × N). Avec ces notations, on a :<br />

⎤<br />

⎥<br />

⎦ .<br />

E{y m y H l } = T m (R S,M + R M )T H l<br />

où R S,M et R M sont les matrices de covariance spatio-temporelles respectives du signal utile et des<br />

interférences plus bruit. Elles sont de dimension NM × NM. En raison de la stationnarité des processus,<br />

ces matrices sont bloc-Toeplitz et peuvent s’écrire sous la forme :<br />

⎡<br />

⎤<br />

R 0 R H 1 · · · R H M−1<br />

. R .. . .. 1 R<br />

H M−2<br />

⎢<br />

⎣<br />

.<br />

. ..<br />

⎥<br />

(3.31)<br />

. ⎦<br />

R M−1 R M−2 ... R 0<br />

où<br />

et<br />

R m =<br />

∫ B<br />

2<br />

− B 2<br />

σ 2 S<br />

B φ(θ S,f 0 + f)φ(θ S ,f 0 + f) H e −i2πmfT df<br />

∫ B [<br />

2 σ<br />

2<br />

]<br />

R m = J<br />

− B B φ(θ J,f 0 +f)φ(θ J ,f 0 +f) H + σ2 n<br />

B I e −i2πmfT df<br />

2<br />

avec m = 0,...,M − 1, pour ¯R S,M et ¯R M respectivement. On en déduit que [39] :<br />

∫ B<br />

E{y m yl H 2<br />

}= [ σ2 S<br />

− B B φ S(f 0 +f)φ S (f 0 +f) H + σ2 J<br />

B φ J(f 0 +f)φ J (f 0 +f) H ]a(f,m − l)df +δ(m − l)MσnI 2 N<br />

2<br />

avec<br />

a(f,m) = ∣ ∣ e<br />

H<br />

m e(f) ∣ ∣ 2 , m = 0,...,M − 1 (3.32)

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!