Étude et analyse des techniques de classification des types de modulations utilisées dans les systèmes MIMO et MASSIVE MIMO

Abstract

L'évolution rapide des systèmes de télécommunications et des réseaux mobiles, conjuguée à la demande croissante des utilisateurs en matière de débit et de bande passante, ouvre de nouvelles perspectives de recherche. L'avènement de la 5G a véritablement révolutionné le domaine des réseaux mobiles, offrant des vitesses de connexion impressionnantes et une flexibilité architecturale inédite. La technologie Massive MIMO (Multiple-Input Multiple-Output) est particulièrement utilisée pour surmonter les limitations liées aux bandes de fréquences. En exploitant l'orthogonalité des systèmes Massive MIMO, il est possible de minimiser les effets de l'affaiblissement du signal. Cependant, l'implémentation du Massive MIMO peut générer d'importantes interférences en raison du grand nombre d'antennes sur une petite matrice. Le beamforming est alors introduit comme solution pour atténuer ce problème. Dans cette optique, les techniques hybrides de beamforming en 5G ont attiré l'attention des chercheurs. Une étude est menée pour évaluer les performances de ces systèmes dans différents scénarios, en prenant en compte des paramètres tels que le nombre d'antennes à l'émission et à la réception, ainsi que le nombre d'utilisateurs présents dans la cellule. Un deuxième objectif de cette recherche est d'étudier et de mettre en oeuvre une technique de classification des types de modulations utilisées dans un système Massive MIMO. Une approche flexible et semi-supervisée basée sur l'apprentissage profond est proposée pour l'identification automatique des modulations. Cette méthode combine les capacités d'extraction de caractéristiques du modèle GAN (Generative Adversarial Network) avec le schéma de détection d'anomalies semi-supervisé, la machine à vecteurs de support pour une seule classe (1SVM). L'ensemble de données utilisé comprend différentes modulations numériques et analogiques largement employées dans les systèmes de communications sans fil. Cette approche permet de démontrer l'efficacité des méthodes basées sur l'apprentissage profond pour la classification des modulations. Ces travaux de recherche sont menés au sein de l'équipe SIS (Systèmes Intelligents et Services) du laboratoire de recherche des Systèmes et Technologies de l’Information et de la Communication (STIC) de l'Université de Tlemcen. Ils contribuent à l'avancement des connaissances dans le domaine des réseaux mobiles et des communications sans fil, tout en offrant des solutions pratiques pour améliorer les performances des systèmes existants.