Nouvelles architectures en bande de base en utilisant l'apprentissage automatique et apprentissage profond en présence de non-linéarités et d'environnement dynamique

New Baseband Architectures Using Machine Learning and Deep Learning in the Presence of Nonlinearities and Dynamic Environment

• Auteur / Autrice : Ana Flávia dos Reis
• Direction : Jérémie Sublime, Yahia Medjahdi, Glauber Gomes de Oliveira Brante
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'ingénieur
• Date : Soutenance le 13/03/2024
• Etablissement(s) : Sorbonne université en cotutelle avec Universidade tecnológica federal do Paraná (Brésil)
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique, Signal et Image, Électronique et Télécommunication (Paris)
• Jury : Président / Présidente : Anelise Munaretto
• Jury : Examinateurs / Examinatrices : Marios Kountouris
• Jury : Rapporteur / Rapporteuse : Laurent Clavier, Cristiano Magalhães Panazio

Mots clés

Mots clés contrôlés

Réseaux ad hoc de véhicules

Systèmes de communication sans fil

Apprentissage profond

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Apprentissage profond

Non-linéarités

Environnement dynamique

Machine Learning

Deep Learning

Dynamic Environments

Nonlinearities

Résumé

La futur sixième génération (6G) de systèmes de communication sans fil devrait permettre un large éventail de nouvelles applications dans le domaine de la communication véhiculaire, ce qui s'accompagne d'un ensemble varié de défis et d'opportunités résultant des exigences de cette technologie de pointe. En particulier, ces défis découlent des conditions dynamiques des canaux, y compris les canaux variables dans le temps et les non-linéarités induites par les amplificateurs de puissance. Dans ce contexte complexe, l'estimation des canaux sans fil apparaît comme un élément essentiel pour établir une communication fiable. En outre, le potentiel de l'apprentissage automatique et de l'apprentissage profond dans la conception d'architectures de récepteurs adaptées aux réseaux de communication véhiculaires est évident, étant donné leurs capacités à exploiter de vastes ensembles de données, à modéliser des conditions de canal complexes et à optimiser la performance des récepteurs. Au long de cette recherche, nous avons tiré parti de ces outils potentiels pour faire progresser l'état de l'art en matière de conception de récepteurs pour les réseaux de communication véhiculaires. Ainsi, nous avons exploré les caractéristiques de l'estimation des canaux sans fil et de l'atténuation des distorsions non linéaires, en reconnaissant qu'il s'agit de facteurs importants pour la performance des systèmes de communication. À cette fin, nous proposons de nouvelles méthodes et des récepteurs flexibles, basés sur des approches hybrides qui combinent des modèles mathématiques et des techniques de l'apprentissage automatique, en tirant parti des caractéristiques uniques du canal véhiculaire pour promouvoir une estimation précise. Notre analyse couvre à la fois la forme d'onde des communications sans fil conventionnelles et une forme d'onde prometteuse de la 6G, ce qui démontre la complétude de notre approche. Les résultats des approches proposées sont prometteurs, caractérisés par des améliorations substantielles de la performance et des réductions notables de la complexité du système. Ces résultats offrent un potentiel pour des applications dans le monde réel, marquant un pas vers l'avenir dans le domaine des réseaux de communication véhiculaires.

The forthcoming sixth generation (6G) of wireless communication systems is expected to enable a wide range of new applications in vehicular communication, which is accompanied by a diverse set of challenges and opportunities resulting from the demands of this cutting-edge technology. In particular, these challenges arise from dynamic channel conditions, including time-varying channels and nonlinearities induced by high-power amplifiers. In this complex context, wireless channel estimation emerges as an essential element in establishing reliable communication. Furthermore, the potential of machine learning and deep learning in the design of receiver architectures adapted to vehicular communication networks is evident, given their capabilities to harness vast datasets, model complex channel conditions, and optimize receiver performance. Throughout the course of this research, we leveraged these potential tools to advance the state-of-the-art in receiver design for vehicular communication networks. In this manner, we delved into the characteristics of wireless channel estimation and the mitigation of nonlinear distortions, recognizing these as significant factors in the communication system performance. To this end, we propose new methods and flexible receivers, based on hybrid approaches that combine mathematical models and machine learning techniques, taking advantage of the unique characteristics of the vehicular channel to favor accurate estimation. Our analysis covers both conventional wireless communications waveform and a promising 6G waveform, targeting the comprehensiveness of our approach. The results of the proposed approaches are promising, characterized by substantial enhancements in performance and noteworthy reductions in system complexity. These findings hold the potential for real-world applications, marking a step toward the future in the domain of vehicular communication networks.