Applications de réseaux de neurones à des chaînes de transmission numérique par satellite-gradient naturel

par Hasan Abdulkader

Thèse de doctorat en Réseaux et télécommunications

Sous la direction de Francis Castanié et de Daniel Roviras.

Soutenue en 2003

à Toulouse, INPT .

mots clés

• Prédistortion
• Linéarisation de l'amplificateur non linéaire
• Gradient naturel
• Réseaux neuronaux (informatique)
• Amplificateurs de puissance
• Amplificateurs de puissance -- Identification
• Riemann, Variétés de

Résumé

Dans cette thèse nous traitons le problème de la non linéarité introduite par l'amplificateur de puissance embarqué à bord de satellites régénératifs. Afin de résoudre les problèmes de non linéarités (non linéarité de l'amplitude et non linéarité de la phase), nous utilisons la méthode de linéarisation par la prédistorsion de l'amplificateur à bord du satellite. La prédistorsion consiste à linéariser la non linéarité d'amplitude et d'annuler le déphasage non linéaire. Pour que la prédistortion soit adaptative, nous proposons de modéliser l'amplificateur pour ensuite inverser le modèle acquis. Les deux applications (identification et prédistortion) sont faites à base de réseaux de neurones multicouches. Afin d'améliorer la convergence des réseaux de neurones, nous avons opté pour l'algorithme du gradient naturel basé sur l'étude de la géométrie de la variété des réseaux de neurones. Le premier chapitre fait un état d'art de la transmission numérique via satellites et discute des effets négatifs de l'amplification non linéaire. On y discute aussi les méthodes et les outils de traitement non linéaire tels que les réseaux de neurones et les séries de Volterra. Le deuxième chapitre fait une introduction à la géométrie différentielle afin de présenter l'algorithme du gradient naturel comme étant l'algorithme qui tient compte de la géométrie de la variété Riemanienne. Nous appliquons cet algorithme à l'apprentissage des réseaux de neurones déterministes. L'étude de la variété des fonctions a montré qu'elle est Riemanienne et que sa matrice métrique est la matrice de l'information de Fisher [. . . ]

Pas de résumé disponible.