Nouvelles approches d’estimation de paramètres de canaux sans fil pour les futurs réseaux mobiles 5g+/6g et au-delà par combinaison de techniques d’intelligence computationnelle évolutionniste bio-inspirée et d’échantillonnage préférentiel.

Abdelkhalek, Maha (2024). Nouvelles approches d’estimation de paramètres de canaux sans fil pour les futurs réseaux mobiles 5g+/6g et au-delà par combinaison de techniques d’intelligence computationnelle évolutionniste bio-inspirée et d’échantillonnage préférentiel. Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en télécommunications, 94 p.

PDF Document sous embargo jusqu'à 20 août 2025. Télécharger (10MB)

Résumé

Dans cette these, nous proposons de nouveaux estimateurs de parametres de canal pour plusieurs scenarios; DA, NDA, systemes multi-porteuses, systemes mono-porteuses, systemes de relais cooperatifs et environnements multi-trajets. Les nouveaux estimateurs sont dedies a l’estimation de plusieurs parametres de canal tels que les delais, les angles d’arrivee et le decalage de frequence porteuse. Les nouvelles approches sont toutes basees sur l’estimateur du maximum de vraisemblance (ML) . Nous avons reussi a developper des solutions en utilisant la technique d’echantillonnage preferentiel (IS), l’algorithme d’evolution differentielle (DE), la technique d’optimisation du loup gris (GWO) et l’optimisation par essaim de particules (PSO). Nous modifions considerablement et donc ameliorons considerablement les techniques DE, GWO et PSO en y integrant pleinement le puissant concept IS. Les nouvelles solutions garantissent une optimalite globale et offrent des capacites de resolution plus elevees.
D’abord, nous obordons le probleme de l’estimation conjointe des angles et des delais (JADE) dans un scenario autodidacte ou le signal emis est inconnu a la reception. Nous proposons la technique DE dans le contexte de l’estimation du ML pour resoudre le probleme d’optimisation multidimensionnel qui en resulte. Le DE est un algorithme metaheuristique d’optimisation globale base sur la population, qui trouve l’optimum de maniere iterative en essayant d’ameliorer une solution candidate sur la base d’un processus evolutif. Nous presentons le DE amelioree en utilisant un pseudo-pdf pour faciliter la generation d’individus. Les resultats des simulations montrent que la solution proposee est nettement plus efficace en termes de convergence globale que l’algorithme de DE classique (CDEA), ainsi qu’en termes de la racine carree de l’erreur quadratique moyenne (RMSE). En outre, grace a une approximation tres utile, nous sommes en mesure de reduire encore davantage la complexite de calcul de la technique proposee sans perte de performance significative. Les simulations montrent egalement les avantages indeniables de la nouvelle approche NDA-DE par rapport aux techniques existantes. Ce qui est particulierement remarquable, c’est qu’elle atteint egalement la Borne Inferieure de Cramer-Rao (CRLB) lorsque le rapport signal bruit (SNR) est modere a eleve.
Ensuite, nous avons propose un nouvel estimateur ML DA pour une estimation JADE. Ce dernier consiste en une technique d’optimisation des loups gris (GWO) substantiellement modifiee et, par consequent, considerablement amelioree en integrant pleinement et en incorporant en son sein le puissant concept d’IS. Cette nouvelle approche, designee dorenavant sous le nom de GWOEIS (pour "GWO integrant IS"), garantit l’optimalite globale et offre des capacites de resolution plus elevees sur des canaux a porteuses multiples et a trajets multiples en SIMO. Le GWOEIS propose est essentiellement une technique d’optimisation de recherche inspiree par la nature. Elle est motivee par le comportement socio-hierarchique des loups gris (agents de recherche) et leur caracteristique particuliere de chasse en meute (mecanisme de recherche). Le GWO traditionnel initialise aleatoirement les positions des loups (angles et delais), et necessite donc des meutes plus importantes et une chasse plus longue (iterations) pour attraper les proies, c’est-a-dire trouver les bons AoA (angles d’arrivee) et TD (Delais de propagation), ce qui affecte son efficacite de recherche. En revanche, le GWOEIS garantit une convergence plus rapide en fournissant des estimations initiales basees sur une fonction IS simplifiee. Plus important encore, et au-dela de la simple initialisation du GWO avec IS (designee dorenavant par IS-GWO), nous modifions et mettons a jour dynamiquement l’expression conventionnelle simple du facteur de convergence de l’algorithme GWO qui pilote entierement ses mecanismes de chasse et de suivi en tenant compte des nouvelles fonctions cumulatives de distribution (CDFs), derivees de la technique IS. Ainsi, le GWOEIS atteint une convergence bien meilleure et plus rapide en maintenant les positions des loups beaucoup plus proches de la cible avec des meutes ou des tailles de population relativement plus petites. Les simulations confirment sans equivoque ces avantages significatifs en termes de precision et de vitesse accrues, ainsi que de convergence globale par rapport aux techniques d’optimisation inspirees de la nature existantes telles que le GWO adopte ou toute combinaison simple avec IS a travers l’initialisation. De plus, le GWOEIS atteint la CRLB meme a de faibles niveaux de SNR.
Finalement, nous abordons le probleme de la synchronisation conjointe des TDs et des decalages de la frequence porteuse (CFOs) pour les systemes de relais en mode decodage et retransmission (DF). Nous presentons un nouvel algorithme d’estimation DA-ML en ameliorant des algorithmes bases sur la population grace au concept IS. Dans ce travail, nous considerons trois algorithmes bases sur la population : 1) PSO est un algorithme inspire de la biologie pour resoudre des problemes d’optimisation. Il est base sur des principes d’auto-organisation permettant a un ensemble d’organismes vivants d’agir de maniere complexe, a partir de “regles” simples. 2) GWO est une technique d’optimisation inspiree par la nature. Elle est motivee par le comportement socio-hierarchique des loups gris et leur caracteristique speciale de chasse en meute. 3) DE est un algorithme d’optimisation globale base sur la population, qui trouve l’optimum de maniere iterative en cherchant a ameliorer une solution candidate basee sur un processus evolutif. Les algorithmes traditionnels bases sur la population souffrent d’une convergence lente, d’une precision limitee des solutions et de la susceptibilite a rester pieges dans des optima locaux. Par consequent, des ameliorations sont necessaires. Les nouveaux algorithmes d’optimisation proposes IS-PSO, IS-GWO, IS-DE et GWOEIS sont bases sur une pseudo-pdf pour une generation plus facile des particules, des loups et des individus (respectivement pour PSO, GWO et DE). Cela ameliore la precision de l’estimation en permettant un ciblage plus rapide et plus precis des TDs et des CFOs grace a des mecanismes d’optimisation inspires par la nature. L’efficacite des approches proposees est validee par des simulations pour l’estimation conjointe des TDs et des CFOs.

In this thesis, we propose a new channel parameter estimators for multiple scenarios; data aided (DA), a non-data aided (NDA), multi-carrier systems, single carrier systems, cooperative relays systems and muti-path environments. The new estimators are dedicated to estimate multiple channel parameters like time delays, angles of arrival, carrier frequency offset. The new approaches are all based on maximum likelihood (ML) estimator. We succeeded to develop solutions using importance sampling technique (IS), differential evolution (DE) algorithm, grey wolf optimization (GWO) technique and particle swarm optimization (PSO).We substantially modify and, hence, significantly improve DE, GWO and PSO techniques by fully integrating and embedding within it the powerful IS concept. Our new solutions guarantee global optimality and offers higher resolution capabilities.
First, we tackle the problem of joint angles and time delays estimation (JADE) in NDA scenario where no pilot symbols are available at the receiver. A DE technique is proposed in the context of ML estimation is proposed to solve the resulting multi-dimensional optimization problem. DE is a metaheuristic global optimization algorithm-based on population, that finds the optimum iteratively by trying to improve a candidate solution based on an evolutionary process. We introduce the improved DE using a pseudo-pdf for easier generation of individuals. Simulations results show that the proposed solution is significantly more efficient in terms of global convergence than the classic differential evolution algorithm (CDEA) as well in terms of RMSE. Moreover, due to a very useful approximation, we are able to reduce even further the computational complexity of the proposed technique without any significant performance loss. Computer simulations also show the distinct advantage of the new NDA-DE approach over the existing techniques. Most remarkably, it also approaches the Cramer-Rao lower bound (CRLB) at medium and high SNR levels.
Then, we propose a new data-aided (DA) JAD ML estimator. The latter consists of a substantially modified and, hence, significantly improved grey wolves optimization (GWO) technique by fully integrating and embedding within it the powerful IS concept. This new approach, referred to hereafter as GWOEIS (for "GWO embedding IS"), guarantees global optimality and offers higher resolution capabilities over multi-carrier and multi-path single-input multiple-output (SIMO) channels. Traditional GWO initializes randomly the wolfs’ positions (angles and delays) and, hence, requires larger packs and longer hunting (iterations) to catch the preys, i.e., find the correct AoAs (angles of arrival) and TDs (time delays), thereby affecting its search efficiency. Whereas GWOEIS ensures faster convergence by providing initial estimates based on a simplified IS function. More importantly, and beyond simple initialization of GWO with IS (coined as IS-GWO hereafter), we modify and dynamically update the conventional simple expression for the convergence factor of the GWO algorithm that entirely drives its hunting and tracking mechanisms by accounting for new CDFs derived from the IS technique. Simulations unequivocally confirm these significant benefits in terms of increased accuracy and speed Moreover, GWOEIS reaches the CRLB even at low SNR levels.
Finally, we tackle the problem of joint time and frequency synchronization for decode-andforward (DF) relay systems. We present a new data-aided DA ML algorithm based on an improved population based algorithms through IS concept. In this work, we consider three population based algorithms; 1) The particle swarm optimization (PSO) is an intelligent optimization algorithm based on the swarm intelligence. 2) The grey wolf optimization (GWO) is an optimization technique inspired by nature. It is motivated by the socio-hierarchical behaviour of grey wolves and their special characteristic of hunting in a pack. 3) The differential Evolution (DE) is a metaheuristic global optimization algorithm-based on population, that finds the optimum iteratively by trying to improve a candidate solution based on an evolutionary process. The traditional population based algorithms suffer from slow convergence, limited solution accuracy, and susceptibility to getting trapped in local optima. Consequently, it needs improvements. The proposed improved optimization algorithms IS-PSO, IS-GWO, IS-DE and GWOEIS are based on a pseudo-pdf for easier generation of particles, wolves and individuals (respectively for PSO, GWO and DE). The latter boosts the estimation accuracy by faster and better zeroing in on the right carrier frequency offset (CFO) and time delay (TD) values owing to the nature-inspired mechanism. The effectiveness of the proposed approach is validated by simulations both in delay and CFO estimations.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Affes, Sofiène
Mots-clés libres:	Maximum de vraisemblance ; NDA ; DA ; multi-porteuses ; multi-trajets ; JADE ; echantillonnage preferentiel (IS) ; optimisation d’essaim de particules (PSO) ; loups gris optimisation (GWO) ; evolution differentielle (DE) ; TD ; CFOs ; systemes de relais ; systemes cooperatifs. Maximum likelihood (ML) ; NDA ; DA ; multi-carrier ; multi-path ; JADE ; Importance sampling (IS) ; Particle swarm optimization (PSO) ; grey wolves optimization (GWO) ; differential evolution (DE) ; time delay (TD) ; carrier frequency offset (CFO) ; relay systems ;cooperative systems
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	29 nov. 2024 00:57
Dernière modification:	29 nov. 2024 00:57
URI:	https://espace.inrs.ca/id/eprint/16205

Gestion Actions (Identification requise)

Modifier la notice