Lisa Perros-Meilhac

A parametric blind subspace identification: robustness issue

Subspace techniques became in recent years a popular tool for blind identification of single-input multiple output finite-impulse response (SIMO-FIR) systems. However, a serious drawback of these methods is high sensitivity to the order modeling errors. In this contribution, we show that a parametric approach of subspace methods, i.e., exploiting the specular structure of the propagation channel, is intrinsically robust to channel order overestimation.

Blind knowledge based algorithms based on second order statistics

Most second order single input multiple output (SIMO) identification algorithms identify the global impulse channel response, convolution of an emission filter and a propagation channel. This paper makes an explicit use of this channel structure in a second order algorithm. We present several structured methods exploiting more or less prior information on the emission filter. Proofs of convergence are provided, and simulations show that some knowledge based algorithms greatly improve over classical blind algorithms, even in the case where the knowledge is partial.

Blind multipath parameters estimation with an unknown pulse shape filter

The purpose of this paper is to estimate the parameters of a specular transmission channel in passive listening context. The proposed method is fully blind, as the estimation is achieved without a training sequence, prior knowledge on the pulse shape filter and array calibration information.

Égalisation autodidacte et semi-autodidacte: méthodes et algorithmes

Les techniques d’estimation, qu’elles soient autodidactes (c’est-a-dire n’utilisant pas de connaissance a priori sur l’information emise) ou semi-autodidactes (basees sur la connaissance par exemple d’une sequence d’apprentissage), constituent depuis de nombreuses annees un sujet d’interet majeur dans le domaine des telecommunications, et plus particulierement pour l’identification des canaux de transmission. Cet article se propose de presenter une synthese des developpements recents dans ce domaine, en presentant en particulier les techniques sous-espace exploitant les statistiques du second ordre ainsi que les methodes de maximum de vraisemblance. L’article s’organise de maniere suivante: on presente tout d’abord le principe des techniques sous-espace ainsi que les resultats theoriques essentiels concernant a la fois les contextes autodidacte et semi-autodidacte; dans un second temps, sont considerees des solutions algorithmiques, pour certaines utilisant des resultats tres recents, permettant de mettre en ceuvre l’approche par maximum de vraisemblance avec un cout d’implementation raisonnable.Channel identification techniques that do not require the use of a training sequence (blind methods), or that can operate with very short training sequence (semiblind methods) are a topic of major concern for modern communication applications. This paper presents a review of channel identification methods that are applicable in this context, with a strong emphasis on second-order subspace-based and maximum likelihood (Ml) estimation schemes. The main focus of the paper is on: (i) providing a clear picture of the principle and theory associated with subspace-based methods in the blind and semi-blind contexts; (ii) describing algorithmic solutions, sometimes based on novel results, that are suitable for carrying out the delicate likelihood optimization task associated withMl estimation.RésuméLes techniques d’estimation, qu’elles soient autodidactes (c’est-à-dire n’utilisant pas de connaissance a priori sur l’information émise) ou semi-autodidactes (basées sur la connaissance par exemple d’une séquence d’apprentissage), constituent depuis de nombreuses années un sujet d’intérêt majeur dans le domaine des télécommunications, et plus particulièrement pour l’identification des canaux de transmission. Cet article se propose de présenter une synthèse des développements récents dans ce domaine, en présentant en particulier les techniques sous-espace exploitant les statistiques du second ordre ainsi que les méthodes de maximum de vraisemblance. L’article s’organise de manière suivante: on présente tout d’abord le principe des techniques sous-espace ainsi que les résultats théoriques essentiels concernant à la fois les contextes autodidacte et semi-autodidacte; dans un second temps, sont considérées des solutions algorithmiques, pour certaines utilisant des résultats très récents, permettant de mettre en ceuvre l’approche par maximum de vraisemblance avec un coût d’implémentation raisonnable.