Conclusion

Dans ce chapitre nous avons présenté une première méthode permettant de réduire les effets des non-linéarités dans un système OFDM, à l'aide d'un réseau de neurones travaillant dans le domaine fréquentiel. A partir des symboles reçus sur toutes les porteuses à un instant donné, le réseau de neurones apprend à retrouver les symboles émis, et donc à compenser les effets de la non-linéarité de l'amplificateur.

Parmis tous les réseaux de neurones testés, celui permettant d'obtenir les meilleurs performances est le réseau RPN, un réseau d'ordre supérieur. Le correcteur basé sur un RPN permet de réduire le taux d'erreur binaire sur la transmission OFDM avec 4 et 8 porteuses avec un amplificateur SSPA ou un limiteur, avec un recul de 0 dB et une modulation MAQ16. Avec 4 porteuses le taux d'erreur binaire est divisé par 19 avec un amplificateur SSPA à p=2 et par 7 avec un limiteur, pour un rapport signal sur bruit de 20 dB. On constate de plus qu'il existe un rapport signal sur bruit optimal lors de la constitution de la base d'apprentissage pour obtenir un correcteur avec les meilleures performances en exploitation. Le réseau a tout d'abord été entraîné avec une descente de gradient, mais l'algorithme de Levenberg Marquardt a permis de diminuer de manière significative la durée de l'apprentissage, qui a été réduite de 1 heure et 50 minutes à 14 minutes.

Par contre lorsque le nombre de porteuses est supérieur ou égal à 16, l'architecture que nous avons retenue et l'algorithme d'apprentissage que nous avons utilisé ne permettent plus d'obtenir un résultat satisfaisant.

Finalement, plutôt que de chercher une architecture qui permettrait d'augmenter le nombre de porteuses nous avons essayé de réduire la complexité du problème en recherchant une solution non plus dans le domaine fréquentiel, mais dans le domaine temporel. Cette méthode et les résultats obtenus sont présentés dans le chapitre suivant.