Contributions sur l'accès multiple non orthogonal pour les communications massives

Contributions to non-orthogonal multiple access techniques for massive communications

• Auteur / Autrice : Manel Rebhi
• Direction : Kosai Raoof, Kais Hassan, Pascal Chargé
• Type : Thèse de doctorat
• Discipline(s) : Acoustique
• Date : Soutenance le 26/04/2022
• Etablissement(s) : Le Mans
• Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Nantes Université)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'acoustique de l'Université du Mans - Laboratoire d'Acoustique de l'Université du Mans / LAUM
• Jury : Examinateurs / Examinatrices : Iyad Dayoub, Soumaya Cherkaoui
• Jury : Rapporteurs / Rapporteuses : Qassim Nasir, Jean-Pierre Cances

Mots clés

Mots clés contrôlés

Détection du signal

Données -- Compression (télécommunications)

Apprentissage profond

Accès multiple par différence de code

Radiocommunications mobiles

Systèmes de communication sans fil

Mots clés libres

Techniques d'accès multiple

Communication massive

SCMA

CD-NOMA

Apprentissage automatique

Multiple access techniques

Massive communication

SCMA

CD-NOMA

Machine learning

Résumé

Les techniques d'accès multiple présentent de nombreux défis et possibilités pour la conception de réseaux sans fil massifs. Par conséquent, d'importants efforts de recherche ont été consacrés au problème de la distribution égale et simultanée des ressources partagées (temps et/ou fréquence) entre des utilisateurs d'un même réseau. Ainsi, l'amélioration des techniques d'accès multiple des prochaines générations de communications mobiles mérite une étude approfondie, ce qui est l'objectif principal de cette thèse. Le travail de recherche présenté dans cette thèse se concentre sur l'accès multiple par code parcimonieux. Dans un premier temps, nous étudions l'adaptation du SCMA en fonction des besoins des utilisateurs en termes d'énergie, de bande passante et de qualité de service. L'architecture SCMA adaptative proposée non seulement prend en compte les différences entre les besoins des utilisateurs, mais permet également une utilisation plus réaliste de la connaissance des canaux de transmission en personnalisant le livre de codes de chaque groupe d'utilisateurs qui sont regroupés en fonction de leurs informations sur l'état du canal (CSI). La deuxième partie concerne l'application de techniques d'apprentissage profond dans le but de décoder efficacement le signal SCMA reçu. Ainsi, un détecteur SCMA en deux étapes basé sur l'apprentissage profond a été proposé dans l'hypothèse d'un bruit blanc Gaussien additif. La première étape consiste à débruiter le signal à l'aide d'un autoencodeur de débruitage avant de le décoder ensuite sur la base d'un réseau neuronal profond qui permet d'estimer simultanément tous les bits transmis en une seule fois. Les performances du détecteur SCMA en termes de taux d'erreur binaire et sa complexité ont été évaluées. Cependant, les performances de cette méthode sont légèrement inférieures à celles du détecteur SCMA conventionnel, étant plutôt itératif. Néanmoins, cette comparaison n'est pas juste, car le détecteur que nous avons proposé en premier lieu, contrairement au détecteur conventionnel, suppose que le livre de code SCMA est inconnu au niveau du récepteur. C'est pourquoi nous proposons un nouveau détecteur à réseau neuronal profond basé sur la distance en supposant que le livre de codes est connu. Le deuxième détecteur proposé peut être comparé équitablement au détecteur conventionnel de SCMA et surpasse ses performances.

Multiple access techniques present many challenges and opportunities for the design of massive wireless networks. Therefore, substantial research efforts were devoted to the problem of serving users of the same network equally and simultaneously with some shared resources (time and/or frequency). Thus, the improvement of multiple access techniques of the next generations of mobile communications deserves a thorough study, which is the main objective of this thesis. The research work presented in this thesis focuses on sparse code multiple access (SCMA) and it is organized into two main parts. First, we study the adaptation of SCMA according to the users’ needs in terms of energy, bandwidth and quality of service. The proposed adaptive SCMA architecture not only rightfully addresses the differences in users requirements, but also allows a more realistic use of the knowledge of transmission channels by customizing the codebook of each group of users which are clustered based on their channel state information. The second part concerns the application of deep learning techniques in the aim of efficiently decoding the received SCMA signal. Thus, a two-stage deep learning based SCMA detector was proposed under the assumption of additive white Gaussian noise. The first stage consists in denoising the signal using a denoising autoencoder before decoding it afterwards based on a deep neural network which allows to simultaneously estimate all the transmitted bits in one- shot. The performance of SCMA detector in terms of bit error rate and its complexity were evaluated. However, the performance of this method is slightly worse than that of the conventional SCMA detector, being rather iterative. Nevertheless, this comparison is not fair, since our firstly proposed detector, contrary to the conventional one, assumes that the SCMA codebook is unknown at the receiver. That is why, we propose a new distance-based deep neural network detector under the assumption that the codebook is known. The second proposed detector can be fairly compared to the conventional detector of SCMA and outperforms its performance.