Estimation de canaux de transmission respectant un modèle d'évolution temps/fréquence

Le but de cette thèse est de proposer des méthodes d'estimation de canal dans un contexte de transmission sans fils pour la norme IEEE802.11a.Cette norme fait appel aux techniques de transmission muliporteuses ou OFDM. Notre approche se situe dans ce cadre précis et bénéficie des avatanges de ces techniques.Nous proposons, dans un premier temps, un nouveau modèle de canal constant par morceaux qui permet non seulement d'augmenter le nombre d'observations servant à estimer un paramètre mais aussi de réduire le nombre de coefficients à estimer. La prise en compte de ce modèle dans la procédure de l'algorithme EM ("Expectation-Maximization") fournit un algorithme, dont la complexité est rendue linéaire, maximisant la vraisemblance et qui présente des performances satisfaisantes. Nous avons ensuite proposé une version MAP de cet algorithme qui prend comme modèle d'évoultion du canal la sortie d'un filtre autorégréssif. L'algorithme obtenu améliore considérablement les performances mais sa complexité devient importante. La dernière partie de ce travail a consisté à proposer une méthode maximisant la probabilité a posteriori mais qui soit de complexitélinéaire en s'assurant que les ponitx fixes de l'algorithme proposé sont exaxtement les mêmes que ceux de la version MAP originale. La convergence des algorithmes proposés a été établie.The aim of this work is to propose channel estimation methods in the context of wireless transmission for the IEEE802.11a standard. Multicareers technics (OFDM) have already been accepted in such standards. Our approach is in the framework of multicareers systems and takes advatange of these techniques. We propose, in a first time, a new channel model which is piecewise constant. This model permits to increase the observations being used to estimate a given parameter and also to reduce the number of channel coefficients which must be estimated. The introduction of this model in the EM (Expectation-Maximization) algorithm procedure provides an algorithm which maximizes the likelihood and the arithmetical complexity is turned from exponential to linear. The performances of this new algorithm are satisfactory. Then, we propose a Maximum a posteriori (MAP) version which takes into account the output of an autoregressive filter as a channel evolution model . The resulting algorithm improves performances significantly but its complexity becomes important. The last part of this work consists in proposing a method maximizing the a posteriori probability with a linear arithmetical complexity. The proposed method has the same fixed points than the original MAP algorithm and the convergence of these algorithms is established.ORSAY-PARIS 11-BU Sciences (914712101) / SudocSudocFranceF