Méthodes approchées de maximum de vraisemblances pour la classification et identification aveugles en communications numériques

La thèse considère la classification aveugle de modulations linéaires en communication numérique sur des canaux sélectifs en fréquence (et en temps). Nous utilisons l'approche de maximum de vraisemblance et nous développons plusieurs estimateurs de modèles exploitant la structure des modulations MAQ. Chaque estimateur de modèles nécessite une étape d'estimation de maximum de vraisemblance de paramètres de canal, connue sous le nom d'identification aveugle. Nous l'implémentons par l'algorithme espérance-maximisation (EM) et nous développons une nouvelle variante utilisant des contraintes parcimonieuses et des méthodes de "Compressive Sensing". Ces deux algorithmes utilisent le lissage particulaire pour lequel nous comparons plusieurs algorithmes existants et introduisons un nouvel algorithme de lissage à deux filtres joints. Nous avons également trouvé des nouvelles méthodes de sélection de particules aléatoires qui améliorent de façon significative l'état de l'art.PARIS-Télécom ParisTech (751132302) / SudocSudocFranceF