hassine

8/18/2019 HASSINE

1/84

PFE 2006/2007 0

Cycle de formation des ingénieurs en Télécommunications

Option :

Réseaux

Rapport de Projet de fin d’études

Thème :

Validation des modèles de propagation dansun environnement Out Door

Cas « Sakagami-Kuboi »

Réalisé par :

Kawther Hassine

Encadrant (s) :

M. Mohamed AyadiEt

M. Riadh Tebourbi

Travail proposé et réalisé en collaboration avec

Ecole Supérieure Des Communications De Tunis

Année universitaire : 2006/2007

8/18/2019 HASSINE

2/84

PFE 2006/2007 1

W°w|vtvxá

Je dédie ce travail à

Mon père

Ma mère

Mes sœurs, mon frère

A Aicha

Pour le soutien qu’ils m’ont continuellement apporté.

8/18/2019 HASSINE

3/84

PFE 2006/2007 2

ätÇà ÑÜÉÑÉá

Ce travail est réalisé dans le cadre de l’école Supérieure des Télécommunication et

sous la direction de mes encadrants.

C’est ainsi que je tiens à remercier tous ceux qui ont contribué, de prés ou de loin, à

réaliser ce projet de fin d’étude

Et plus particulièrement,

Mr Mohamed Ayadi et Mr Riadh Tebourbi pour leur encadrement continu, pour les

remarques constructives qu’ils m’ont fournies ainsi que pour leurs précieux conseils

durant toute la période du projet.

J’adresse mes remerciements préside personnel de la salle système à la Sup’Com pour

l’assistance qu’il nous a prêtée

Je suis reconnaissante à l’égard mes amis de la Sup’Com, de lENIT et de l’Académie

Militaire l’assistance qu’ils m’ont prêtée

8/18/2019 HASSINE

4/84

Sommaire

PFE 2006/2007 3

Sommaire

Sommaire ............................................................................................................................................................. 03

Liste des figures ................................................................................................................................................... 06

Liste des tableaux ................................................................................................................................................ 08

Liste des acronymes .......................................... ........................................... ........................................... ............. 09

Introduction générale ......................................................................................................................................... 10

Chapitre I : Etat de l’art de la propagation radio mobile et choix du modèle .................................. ............. 11

I. Introduction ...................................... ........................................... ............................................... .................... 12

II. Les contraintes de la propagation radio ........................................... ............................................... ............. 12

II.1. L’affaiblissement de parcours .......................................................................................................... 13

II.2. L’effet de masque .................................... ........................................... ........................................... ..... 14

II.3. Les évanouissements rapides ............................................................................................................ 14

III. Modèles de propagation ............................................................................................................................... 15

III.1. Définition : qu’est-ce qu’un modèle de propagation ? .................................................................. 15

III.2. Développement de modèle ............................................................................................................... 16

III.2. Types de modélisation en téléphonie radio mobile ................................... ..................................... 18

III.3. Domaine d’application d’un modèle .................................... ........................................ ................... 19

III.4. Les différents types de modèles ............................................ ........................................... ................ 21IV. Choix du modèle : Sakagami-Kuboi ............................................................................................................ 25

IV.1. Algorithme ........................................................................................................................................ 25

IV.2. Pourquoi Sakagami-Kuboi ? ........................................................................................................... 26

V. Calibration d’un modèle de prédiction ........................................................................................................ 27

V.1.Calibration du modèle de Sakagami-Kuboi .................................................................... ................ 28

V.2. Méthode de calibration : ................................................................................................................... 29

VI. Conclusion ..................................................................................................................................................... 31

Chapitre II : Analyse des besoins et conception générale ...................................... .......................................... 32

I. Présentation générale du projet ................................. ........................................... .......................................... 33

I.1. Architecture du système de prédiction .............................................................................................. 35

I.2. Architecture serveur d’application ............................................. ........................................... ............ 37

I.3. Architecture client ............................................................................................................................... 38

I.4. Architecture de l’application de calibration ..................................................................................... 39

8/18/2019 HASSINE

5/84

Sommaire

PFE 2006/2007 4

II. Spécification des besoins .................................... ........................................... ........................................... ...... 39

III. Besoins et Diagrammes des cas d’utilisation ................................... ....................................... ................. 40

III.1. Diagramme des cas d’utilisation ..................................................................................................... 40

III.2. Diagrammes des cas d’utilisation relatifs à chaque application : ................................................ 41

III.2.1.Application cliente PDA ............................................................................................................ 41

III.2.1.1. Cas d’utilisation « Récolte des informations cellulaires »........................................................ 42

III.2.1.2. Cas d’utilisation « Envoi des mesures radio» ...................................... ..................................... 42

III.2.1.3. Cas d’utilisation « Réception de la carte de couverture calibrée » ........................................... 42

III.2.1.4. Cas d’utilisation « Affichage de la carte » ............................................................................... 43

III.2.2. Application de prédiction/Calibration .................................................................................... 43

III.2.2.1 Cas d’utilisation « Estimation des paramètres du modèle » ........................................ ............. 44

III.2.2.2 Cas d’utilisation « Calibration du modèle » .............................................. ............................... 44

III.2.2.3 Cas d’utilisation « Re estimation» ........................................... ............................................ ..... 45

III.2.3.Application serveur d’application ............................................................................................ 45

III.2.3.1 Le cas d’utilisation « récupérer les informatios réseaux » ...................... .................................. 46

III.2.3.2 Le cas d’utilisation « traitement de calibration » ............................................................ ......... 46

III.2.3.3 Le cas d’utilisation « envoi du résultat de calibration » .................................. .......................... 46

IV. Diagrammes de classes ......................................... ........................................ ............................................. 47

IV.1.Application cliente PDA .................................................................................................................... 48

IV.2.Application de prédiction/calibration .............................................................................................. 49

IV.3.Application Web Server .................................................................................................................... 51

V. Diagramme de séquence ................................................................................................................................ 52

VII. Conclusion ........................................... ........................................... ............................................... ............. 54

Chapitre III : Solution et implémentation ...................................... ....................................... ............................ 55

I. Introduction ...................................... ........................................... ............................................... .................... 56

II. Implémentation du modèle de Sakagami-Kuboi ......................................................................................... 57

II.1. Implémentation .................................................................................................................................. 57

II.1.1. Créer notre projet ArcView ...................................................................................................... 58

II.1.2. Charger les données cartographiques propres à l’Avenue Habib Bourguiba ...................... 59II.1.3. Exploiter les données géographiques dans le calcul des paramètres modèle ....................... 60

II.1.4. Résultat de prédiction ................................................................................................................ 61

III. Déploiement de l’application cliente ................................. .......................................... ............................. 62

III.1. Présentation ...................................................................................................................................... 62

III.2. Implémentation ................................................................................................................................ 63

8/18/2019 HASSINE

6/84

Sommaire

PFE 2006/2007 5

III.3. Installation et configuration ............................................................................................................ 64

III.4. Test et validation .............................................................................................................................. 67

IV. Création du Web Server ...................................... ......................................... ............................................ 69

IV.1. Présentation ...................................................................................................................................... 69

IV.2. Implémentation ...................................... ........................................ .............................................. ..... 69

V. Application de calibrage ................................................................................................................................ 70

V.1. Implémentation .................................................................................................................................. 70

V.1.1. Liaison avec Matlab.................................................................................................................... 70

V.1.2. Interface de calibration .............................................................................................................. 72

V.2. Résultat de calibration ....................................................................................................................... 73

VI. Conclusion ........................................... ........................................... ............................................... ............. 75

Conclusion générale............................................................................................................................................. 76Annexe …………………………………………………….…………………………………………………..77

Bibliographie………………………………………………………………………………..…………………83

8/18/2019 HASSINE

7/84

Listes des figures

PFE 2006/2007 6

Liste des figures

Figure I.1: Environnement Radio Mobile ......................................................................................... 12

Figure I.2: Canal de propagation Radio Mobile ............................................................................... 15

Figure I.3: Les différentes phases de résolution d’un problème scientifique ................................. 18

Figure I.4:Utilisation d’un mobile dans différents types d’environnement géographique ........... 20

Figure I.5: Exemple de signal radio mesuré le long d’un parcours routier, avec en vert les

mesures brutes ...................................................................................................................................... 21

Figure I.6 : Modèles Empiriques ........................................................................................................ 23

Figure I.7 : Modèles Semi Empiriques ............................................................................................... 24Figure I.8: Etendue géographique d'une cellule ............................................................................... 31

Figure II.1:Architecture générale de l’application ........................................................................... 34

Figure II.2: Architecture de l’application de prédiction .................................................................. 36

Figure II.3: Application du serveur d’application ............................................................................ 37

Figure II.4: Architecture système de l’application cliente ............................................................... 38

Figure II.5: Architecture de l’application de calibration ................................................................. 38

Figure II.6: Cas d'utilisation de l'application cliente ....................................................................... 41

Figure II.7 : Cas d'utilisation "Récolte des informations cellulaires" ............................................ 42

Figure II.8 : Cas d'utilisation de l'application de calibration .......................................................... 43

Figure II.9 : Sous cas d'utilisation "Estimation des paramètres du modèle" ................................ 44

Figure II.10 : Sous Cas "calibration du modèle".............................................................................. 45

Figure II.11 : Cas d'utilisation de l'application serveur web ........................................................... 45

Figure II.12 : Sous Cas " Récupérer les informations réseau" ....................................................... 46

Figure II.13 : Sous cas " Traitement de calibration" ....................................................................... 47

Figure II.14 : Diagramme de classe "Application PDA" ................................................................. 49 Figure II.15 : Diagramme des classes de l'application de calibration ............................................. 50

Figure II.16 : Diagramme de classes de l'application Web Server .................................................. 51

Figure II.17 : Diagramme de séquence .............................................................................................. 53

8/18/2019 HASSINE

8/84

Listes des figures

PFE 2006/2007 7

Figure III.1 :Chargement des données carthographiques ............................................................... 59

Figure III.2 : Introduire les paramètres valeurs ............................................................................... 60

Figure III.3 : Attributs des thèmes "Buildings.shp" et "Routes.shp" ............................................ 61

Figure III.4 : Couverture Radio estimée par le modèle de Sakagami-Kuboi................................. 62 Figure III.5 : Environnement .Net...................................................................................................... 64

Figure III.6 : Création d’une solution VB.Net .................................................................................. 65

Figure III.7 : Ajout de Bibliothèques ................................................................................................. 66

Figure III.8: Les interfaces utilisateur de l'application mobile ....................................................... 68

Figure III.9 : Structure du fichier de mesures .................................................................................. 69

Figure III.10 : Interface Web Service ................................................................................................ 70

Figure III.11 : Création d'une bibliothèque Matlab ......................................................................... 71

Figure III.12 : Joindre le programme à la classe Matlab ................................................................. 71 Figure III.13 : Interface de calibration .............................................................................................. 72

Figure III.14 : Puissance Théoriques et Pratiques ............................................................................ 73

Figure III.15 : Couverture radio avant calibration .......................................................................... 74

Figure III.16 : Couverture radio Après calibration ......................................................................... 74

8/18/2019 HASSINE

9/84

Liste des Tableaux

PFE 2006/2007 8

Liste des tableaux

Tableau I.1: Paramètres du modèle Sakagami-Kuboi ..................................................................... 26

Tableau II.1 : Classes relatives à l'application cliente ...................................................................... 48

Tableau II.2 : Classes de l'application de calibration ....................................................................... 50

Tableau II.3 : Classe de l'application serveur web ........................................................................... 51

Tableau III.1 : Modules ArcView ....................................................................................................... 58

8/18/2019 HASSINE

10/84

Liste des acronymes

PFE 2006/2007 9

Liste des acronymes

ASP Active Server Page

U

BCCH Broadcast Control Channel

V

CDMA Code Division Multiple AccessCID Cell IDentifier

Z

GPRS General Packet Radio ServiceGPS Global Positioning SystemGSM Global System for Mobile Communication

_

LOS Line Of Site

`

MATLAB MATrix LABoratory

a

NLOS Non Line Of SiteNMEA National Marine Electronics Association

cPDA Personal Digital AssistantPIRE Puissance Isotrope Rayonnée EquivalentePPC Pocket Personal Computer

f

SDK Software Developpement Kit SIG Système d’Information GéographiqueSQL Standard Query Language

h

UHF Ultra High FrequencyUML Unified Modeling LanguageUMTS Universal Mobile Telecommunication SystemUTM Universe Transverse Mercator

i

VB Visual Basic

k

XML eXtended Marqu’up Language

8/18/2019 HASSINE

11/84

Liste des acronymes

PFE 2006/2007 10

Introduction générale

Le domaine des télécommunications connaît une progression exponentielle à la fois sur le plan de

technologies de communication émergentes que celui du développement des nouveaux services.

Ce progrès a incité les différents acteurs du domaine des télécommunications (Opérateurs,

Fournisseur de Services, Equipementier et Constructeurs) à renforcer leurs rôles respectifs dans un

marché exigeant et concurrentiel.

Le besoin d’innover se fait de plus en plus sentir chez opérateurs et fournisseurs de services soucieux

d’accaparer le maximum de part de marché. Ainsi le présent projet de fin d’étude prétend apporter

quelques éléments de réponse aux nouvelles exigences du marché des télécommunications.

Nous traiterons, en premier lieu l’aspect planification radio en termes de modélisation des pertes de

propagation et l’estimation de la couverture radio, par le biais d’un modèle de propagation choisi,

dans un environnement bien particulier.

Nous nous intéresserons en second lieu à l’adaptation de ce modèle à l’environnement d’étude. Cette

opération sera en fait l’objectif d’une application distribuée ayant une architecture trois tiers.

Nous déduirons, enfin, les résultats d’adaptation, à travers des grandeurs explicatives et

significatives.

Le projet comportera trois chapitres :

• Un chapitre introductif se rapportant aux modèles de propagation radio dans un

environnement outdoor ainsi qu’à la spécification du modèle de Sakagami-Kuboi sous les

aspects estimation et méthode de calibration.

• Un second chapitre concernant l’analyse des besoins, la conception d’une application et la

distinction des diverses entités mises en jeu.

• Un dernier chapitre ayant un rôle illustratif et démonstratif et dans lequel nous décrirons le

déroulement de notre application et exposerons les différents résultats jugées avoir une valeur

ajoutée.

8/18/2019 HASSINE

12/84

PFE 2006/2007 11

Chapitre I :

Etat de l’art de la propagation radio mobile et

Choix du modèle

Introduction

Les contraintes de la propagation radio

Modèles de propagation

Choix du modèle : Sakagami-KuboiCalibration d’un modèle de prédiction

Conclusion

8/18/2019 HASSINE

13/84

Chapitre I : Etat de l’art de la propagation radio mobile et choix du modèle

PFE 2006/2007 12

I. Introduction

Avant d’installer une liaison radio entre deux antennes, ou d’installer les stations de base d’un réseau

cellulaire (GSM Global System for Mobile communication, GPRS General Packet Radio Service,

UMTS Universal Mobile Telecommunication System), nous avons besoin de prédire la portée des

ondes radio. La portée radio a une incidence économique importante car elle détermine en partie le

nombre d’équipements à déployer : plus la portée est grande, moins il faudra d’antennes pour couvrir

une région (réseau cellulaire) ou pour atteindre une zone éloignée (liaison radio).

La portée radio dépend de nombreux paramètres tels que la puissance d’émission ou le type d’antenne

utilisée. Par ailleurs l’environnement dans lequel se propage l’onde ainsi que la fréquence utilisée

jouent également un rôle crucial. L’étude de la propagation radio comprend la prédiction de la portéeen fonction de tous ces paramètres. Elle tente donc de répondre à la question suivante : quelle est la

puissance reçue à une distance donnée, compte tenu des paramètres système et de la nature de

l’environnement ?

II. Les contraintes de la propagation radio

La propagation des ondes radio obéit à des règles complexes, surtout lorsqu’il y a des obstacles entre

l’émetteur et le récepteur. Parmi les modifications que peut subir une onde, on peut citer :

- La réflexion

- La diffraction

- La diffusion

- La réfraction

Figure I.1: Environnement Radio Mobile

8/18/2019 HASSINE

14/84


PFE 2006/2007 13

Une onde peut également suivre plusieurs chemins parallèles décalés dans le temps, de telle sorte que

le récepteur peut recevoir différentes copies du même signal à des instants différents. Ces phénomènes

dépendent de la fréquence utilisée et de la nature des obstacles rencontrés (murs en béton, forêt dense,

façade en verre,...ou espace ouvert).

Comme souvent, lorsque les phénomènes sont complexes, nous nous appuyons sur des modèles

mathématiques. C’est-à-dire une série d’équations qui donnent une « bonne idée » du phénomène. La

notion de « bonne idée » est relative au degré de précision désiré : plus la précision requise est grande,

plus le modèle mathématique est complexe.

En propagation radio, nous utilisons trois modèles qui s’emboîtent pour donner une précision

croissante : l’affaiblissement de parcours, l’effet de masque et l’évanouissement rapide.

II.1. L’affaiblissement de parcours

Une chose est sûre : plus on s’éloigne de l’antenne émettrice, plus faible est la puissance reçue. Mais

une question demeure : comment caractériser cette décroissance ?

Si nous mesurons la puissance reçue en fonction de la distance à l’antenne, nous risquons d’obtenir ce

type de résultat :

Pr[ W ] = PIRE[ W ] . Gr. K/(d α . f β ) (1)

Ou en dBm :

Pr[ dBm ] = PIRE[ dBm ] + 10 log(Gr) + 10 log(K) - 10 α log(d) - 10 β log(f) (2)

C’est dire que la puissance reçue en W , Pr, est une fonction de la puissance rayonnée (ou plus

précisément la PIRE (Puissance Isotrope Rayonnée), du gain de l’antenne de réception, Gr , de la

distance, d , et de la fréquence, f .K, α et β sont des constantes qui dépendent de l’environnement. Le

terme suivant s’appelle l’affaiblissement de parcours ( path-loss).

PL = -10 log (K) + 10 α log (d) + 10 β log (f) (3)

Plus la fréquence est élevée, plus l’affaiblissement de parcours est important. Ce qui veut dire par

exemple que les ondes du GSM 900 MHz se propagent moins bien que les ondes du CDMA Code

8/18/2019 HASSINE

15/84


PFE 2006/2007 14

Division Multiple Access 450 MHz. La PIRE en dBm est la puissance émise plus le gain de l’antenne

d’émission.10 log (Gr) est le gain de l’antenne de réception en dBi.

Les constantes K, α et β ont été évaluées et modélisées en fonction des environnements et des bandes

de fréquences grâce à des mesures. Parmi les principaux modèles, il y a les modèles de Hata-Okumura

et Walfish-Ikegami.

II.2. L’effet de masque

Le modèle de l’affaiblissement de parcours donne une première approximation de l’effet de la

propagation. En effet, si on observe la puissance reçue, on constate qu’elle varie autour de la moyenne

prédite par le modèle d’affaiblissement de parcours.

Le modèle d’affaiblissement de parcours suppose que l’environnement est homogène. En fait, il y a

des obstacles, ou masques, entre l’antenne et le récepteur qui peuvent affaiblir le signal ou au contraire

le guider. Pour modéliser cet effet de masque, on doit ajouter une variable aléatoire à l’affaiblissement

de parcours :

Pr[ dBm ] = PIRE[ dBm ] + Gr[ dBi] - PL[ dB ] + M[ dB ] (4)

M en dB est une variable aléatoire de distribution gaussienne avec moyenne nulle et écart-type σ . Ceci

signifie qu’à une distance donnée d, la puissance reçue moyenne est donnée par l’affaiblissement de

parcours. Cependant, en un point, la puissance reçue n’est pas tout à fait prédictible et peut s’écarter de

la valeur moyenne.

Un écart-type habituel en milieu rural est 6dB.

II.3. Les évanouissements rapides

A une échelle d’observation très petite (de l’ordre de la demi longueur d’onde : C’est dire que la

puissance moyenne est pratiquement constante, y compris en prenant en compte l’effet de masque). Et

en se déplaçant d’une petite distance, on observe d’assez grandes variations autour de cette puissancemoyenne : cela est dû aux évanouissements rapides.

En effet, l’onde qui se propage peut suivre différents chemins, de telle sorte que différentes copies du

même signal peuvent arriver au récepteur.

A l’antenne réceptrice, les signaux peuvent s’additionner ou se soustraire. Dans ce dernier cas, la

puissance reçue est beaucoup plus faible, on dit qu’il y a un trou d’évanouissement ( fading hole).

8/18/2019 HASSINE

16/84


PFE 2006/2007 15

Lorsqu’il y a une vue directe entre l’émetteur et le récepteur ( Line Of Sight, LOS), la puissance suit

une distribution de Rice, sinon (Non Line of Sight, NLOS) une distribution de Rayleigh.

En général, ce phénomène n’est pas pris en compte lors de la phase de déploiement. Son effet est

globalement inclus dans le seuil de puissance nécessaire en réception (sensibilité du récepteur). Il faut

en revanche en tenir compte lors de la conception du traitement du signal dans le récepteur.

III. Modèles de propagation

III.1. Définition : qu’est-ce qu’un modèle de propagation ?

Un modèle de propagation des ondes radio est un modèle mathématique, qui permet de simuler le

canal de propagation entre un émetteur et un récepteur. Le modèle mathématique est ensuite mis en

oeuvre dans un algorithme, puis dans un programme informatique. Il permet de prédire le niveau

moyen du signal radio que l’on reçoit en n’importe quel point à partir d’un certain nombre de

paramètres (caractéristiques techniques, type d’environnement géographique traversé le long de la

liaison…). Il modélise donc les variations dues aux obstacles rencontrés par les ondes le long du canal

radiomobile (effet de masques) auxquelles il faudra rajouter ensuite un algorithme pour tenir compte

des variations rapides ( fading ).

Figure I.2: Canal de propagation Radio Mobile

Le développement d’un modèle de propagation est stratégique pour un opérateur de

télécommunications mobiles, puisqu’il est à la base de tous les calculs qui peuvent être fait par un

logiciel d’ingénierie radio (niveau de champ radio reçu, affaiblissement du signal, calcul des

interférences, analyse du hand-over …). Cet outil lui apporte une aide précieuse pour le

dimensionnement correct du réseau (implantation des relais sur le terrain). Ceci permet à l’opérateur

de télécommunication d’optimiser l’implantation de ses relais, ce qui induit un gain important en

8/18/2019 HASSINE

17/84


PFE 2006/2007 16

termes de coûts tout en ayant la meilleure couverture possible du territoire.

Ils sont utilisés lors de la conception d’une interface radio pour en optimiser les performances et

également lors du déploiement des systèmes sur le terrain pour déterminer la couverture

radioélectrique.

Les modèles seront implantés dans des outils d’ingénierie pour prédire différentes quantités utiles pour

le déploiement de systèmes de télécommunication radio ainsi que pour l’étude de la couverture radio

(choix des sites, allocation de fréquences, définition des puissances) et la définition des brouillages.

Les modèles sont très dépendants des bases de données géographiques comportant des éléments

relatifs à la topographie et aux types d’occupation du sol. Ceci est dû au fait que la manière dont les

ondes radio UHF Ultra High Frequency vont se propager dans un espace donné est intimement liée

aux obstacles (bâtiments, troncs d’arbres, flancs de montagnes, etc.) rencontrés le long du canal de

propagation. De ce fait, la modélisation des objets géographiques est essentielle dans tout modèle de

propagation des ondes UHF.

III.2. Développement de modèle

Quelque soit le point de vue adopté, une étude scientifique dans ce domaine s’appuie sur une certaine

modélisation de la réalité. Il nous a donc paru indispensable dans le paragraphe qui suit d’analyser les

différentes manières de modéliser les phénomènes de propagation d’ondes radio afin de bien mesurer

ce qu’on peut attendre de tel ou tel type de modèle, ou les différents éléments dont il est nécessaire

d’améliorer la prise en compte.

Avant d’aborder les buts et les méthodes de la modélisation, il est important d’examiner les divers

éléments qui entrent dans la constitution d’un modèle.

1 - Les paramètres et/ou variables d’état :

Du point de vue de l’informatique, en algorithmique, il n’y a pas de différence significative entre

paramètre et variable ; on peut dire qu’un paramètre est plus difficile à faire varier qu’une variable. En

géographie par contre, les modèles en Analyse Spatiale font bien la différence entre les paramètres du

modèle, qui permettent d’ajuster le modèle, et les variables (données géographiques et autres types de

données) qui correspondent aux informations en entrée du modèle. Les variables existent donc par

elles-mêmes, alors que les paramètres font partie intégrante du modèle et ne peuvent exister en dehors.

En revanche, il faut bien faire la différence entre variable exogène et variable endogène.

8/18/2019 HASSINE

18/84


PFE 2006/2007 17

2 - Les variables exogènes :

Ce sont les variables qui sont imposées de l’extérieur au système, et sur lesquelles l’expérimentateur

peut agir. Par exemple dans un modèle de propagation la distance émetteur récepteur, ou bien encore

la fréquence d’émission, doivent être considérées comme exogènes.

Ce sont généralement ces variables que l’on optimise dans la création et le dimensionnement d’un

système de télécommunication.

3 - Les variables endogènes :

Ce sont les variables qui tirent leur valeur du système lui-même ; elles sont imposées par le milieu. En

propagation du signal l’intensité de pluie, la hauteur des immeubles, la rugosité du sol ou la nature du

couvert végétal en font partie.

Certaines variables ne sont pas ou difficilement quantifiables et ne représentent donc pas une grandeur

physique observable. Les effets saisonniers, climatiques, la végétation sont rarement quantifiables en

modélisation radio. Il n’empêche que leur prise en compte est souvent fondamentale pour la justesse

du modèle ; ces grandeurs non mesurables sont généralement discrétisées en classes selon des règles

statistiques.

Les variables d’entrée peuvent être déterministes ou aléatoires. Par exemple, la distance est

déterministe alors que le taux d’ozone dans l’air est aléatoire.

4 - Les variables de sortie :

Ce sont bien entendu les grandeurs que l’on cherche à modéliser, les informations que l’on obtient en

sortie du modèle.

On serait alors tenter de dire que puisque ce sont les performances du système de télécommunication

radioélectrique qui nous intéressent, il suffirait de les prendre pour variables de sortie. Mais ce point

de vue présente l’inconvénient majeur de réintroduire complètement les systèmes de transmission dans

les études de propagation. La démarche la plus adaptée semble alors de passer par le problème

intermédiaire suivant : quelles sont les caractéristiques du canal de propagation qui sont nécessaires à

l’évaluation des performances de la liaison.

5 - Les relations : Phase de résolution du problème scientifique

Le modèle est achevé, le problème scientifique est résolu, lorsqu’on a réussi à déduire la solution

analytique ou numérique au problème posé. Le modèle permet ainsi de déduire les variables de sortie

8/18/2019 HASSINE

19/84


PFE 2006/2007 18

recherchées à partir des variables d’entrée. Les différentes méthodes de résolution du problème, mises

en œuvre dans un modèle, peuvent être de natures très différentes : méthodes conceptuelles,

mathématiques, empiriques, statistiques, informatiques, spatiales, etc. Au niveau des résultats obtenus,

on trouve toutes les situations intermédiaires allant de simples solutions analytiques (par exemple

l’affaiblissement en fonction de la distance Emetteur-Récepteur) aux solutions numériques, parfois

complexes, comme c’est le cas des algorithmes de calculs programmables.

Figure I.3: Les différentes phases de résolution d’un problème scientifique

III.2. Types de modélisation en téléphonie radio mobile

Les ambitions qui président la modélisation d’un phénomène de transmission du signal

(radioélectrique, sonore, numérique, etc.) ou d’un système de télécommunication sont variées. La

manière dont la réalité et l’environnement sont pris en compte est changeante selon le type de modèle.

En téléphonie radio mobile, nous distinguons trois grandes catégories de modèles, qui ne sont pas

mutuellement exclusives :

1 - Les modèles descriptifs : visualiser, représenter et décrire

Il s’agit de mettre en relief les relations entre les variables caractéristiques d’un phénomène

(propagation du signal, etc.) ou du système étudié (système de télécommunication, système spatial,

etc.). Le but principal est alors de représenter et/ou de décrire ce que l’on observe.

De tels modèles sont a priori très satisfaisants pour les ingénieurs en télécommunication puisqu’ils prétendent décrire la réalité. Mais en réalité, ces modèles descriptifs présentent souvent l’inconvénient

d’être établis à partir de bases de données trop restreintes, à partir de généralités (des éléments

récurrents de la réalité sont considérés comme des indices et des preuves scientifiques), rendant ainsi

leur validité relative.

8/18/2019 HASSINE

20/84


PFE 2006/2007 19

Ceci nous ramène au problème de la conceptualisation du monde, et de la manière dont le chercheur

va appréhender la réalité sur le terrain.

2 - Les modèles explicatifs : expliquer et comprendreEn ce qui concerne les modèles explicatifs, le but n’est plus exclusivement de traduire en équations ce

qu’on peut observer mais de trouver les raisons qui peuvent expliquer les variations et/ou l’intensité du

phénomène de propagation, le comportement du système de télécommunication. Ainsi, on recherche

les causes et on prétend rendre compte des observations en utilisant des outils théoriques. Le modèle

explicatif trouve sa justification dans l’interprétation des résultats expérimentaux.

3 - Les modèles prévisionnels : prévoir

Dans les modèles prévisionnels, on se propose, à partir d’observations indépendantes de la grandeur

que l’on étudie, de prévoir sa valeur. Un tel modèle ne peut être que causal, au sens où les variables de

sortie ne dépendent que des variables d’entrée. Par contre, un tel modèle n’a pas d’ambition

explicative. Etant le plus couramment employé, c’est sur ce type de modèle que l’ingénieur en

télécommunications radio mobiles concentrera ses efforts.

III.3. Domaine d’application d’un modèle

Il existe une multitude de modèles de propagation d’ondes radioélectriques, ayant chacun un domaine

d’application bien défini. Chaque opérateur de téléphonie mobile (Tunisie Télécoms, Tunisiana,

Orange, Bouygues, etc.), ainsi que les concepteurs de matériel de télécommunication (Alcatel, Sagem,

Siemens, Nokia, etc.) développent chacun leurs propres modèles de propagation d’ondes radio

répondant le mieux à leurs exigences.

Il n’existe pas de modèle universel. Cependant, certains algorithmes présents dans la littérature sont

considérés comme une référence tels que Okumura-Hata et Walfish-Ikegamiqui. Ces derniers sont

adaptés aux besoins propres de chaque utilisateur.

De plus, l’utilisation d’un modèle doit se faire en respectant son domaine d’application qui dépend

essentiellement de deux facteurs :

Le type de système de télécommunication radioélectrique considéré dicte un certain nombre de

paramètres radio pris en compte dans le modèle (exemples : la fréquence, la dimension des cellules la

hauteur et le type d’antennes…).

L’environnement : le type de milieu géographique traversé le long de la liaison influe sur la

8/18/2019 HASSINE

21/84


PFE 2006/2007 20

propagation du signal de façon différente. Nous devons donc avoir des modèles capables de simuler

les conditions de chaque milieu de propagation :

• Les modèles pour l’extérieur : selon le milieu de propagation (urbain, suburbain, rural, maritime,

montagneux…), des phénomènes très différents influencent les ondes radio et nécessitent le

développement de modèles pour chaque cas.

• Les modèles de pénétration pour l’utilisation des portables à l’intérieur des bâtiments à partir

d’émetteurs situés à l’extérieur.

• Les modèles Indoor pour la couverture intérieure à partir d’émetteurs situés à l’intérieur même

des bâtiments.

• Les modèles pour le canal Terre-satellite.

Figure I.4:Utilisation d’un mobile dans différents types d’environnement géographique

Il est donc clair, que pour un même système de télécommunication radio mobile, il faut plusieurs types

de modèles pour calculer les couvertures dans les différents environnements rencontrés (rural, urbain

dense, indoor , etc.) puisque les phénomènes de propagation à prendre en compte ne sont pas les

mêmes selon le milieu géographique traversé.

La figure 4 illustre les différents types de milieux géographiques traversés par les ondes radio ainsi

que les différentes technologies de télécommunications mise en oeuvre (satellite, antenne relais, tour

hertzienne, etc.).

8/18/2019 HASSINE

22/84


PFE 2006/2007 21

III.4. Les différents types de modèles

Il existe une multitude de modèles de propagation d’ondes radioélectriques, chaque auteur apportant

sa connaissance et son savoir-faire à la complexité de la tâche consistant à simuler le canal de

propagation, qui est variable dans le temps et dans l’espace.

Cette recherche sera, cependant, consacrée aux modèles de propagation qui sont utilisés pour la

planification d’un réseau de téléphonie radiomobile GSM, et les modèles actuellement développés

pour la conception de systèmes concernant l’UMTS, qui sont plutôt à large bande (modélisation de la

réponse impulsionnelle).

Ainsi, on cherche à prédire les variations lentes du signal radioélectrique, qui correspond en fait à une

moyenne locale. En effet, les évanouissements dus au fading sont très perturbants et on peut avoir des

trous de l’ordre de – 40 dB dans certains cas. La figure I.5 illustre une mesure d’affaiblissement radio

GSM le long d’un parcours routier. On a affiché les mesures brutes (en vert) sur lesquelles on a

superposé le signal moyen que l’on en a déduit. La courbe située sur l’axe des abscisses (en noir)

correspond aux évanouissements rapides du signal, obtenu par soustraction point à point des mesures

brutes du champ moyen.

Figure I.5: Exemple de signal radio mesuré le long d’un parcours routier, avec en vert les mesures brutes

Les modèles de propagation ont pour but de prédire au mieux les variations lentes du signal radio dues

aux obstacles (dits aussi « effets de masques ») le long de la liaison Emetteur- Récepteur. Pour

modéliser ce phénomène, différentes approches sont possibles :

8/18/2019 HASSINE

23/84

8/18/2019 HASSINE

24/84


PFE 2006/2007 23

Figure I.6 : Modèles Empiriques

Etant relativement simple et facile à mettre en œuvre (en termes de développement mathématique et de

programmation informatique), ce modèle est généralement préféré par le concepteur de système de

télécommunication.

Il faut bien garder à l’esprit que dans le cas d’un modèle empirique il n’est pas prouvé que le modèle

fonctionne dans d’autres conditions (fréquence différente, milieu géographique différent, etc.) que

celles qui ont présidé son établissement. Toute généralisation du modèle est donc toujours un peu

hasardeuse.

Sous cette approche, purement statistique, il n’y a aucune base théorique sur la propagation du signal

radio, le calcul de l’affaiblissement de la liaison est déduit uniquement à partir de statistiques

appliquées aux données collectées sur un ensemble de campagnes de mesures, lesquelles mesures

doivent être les plus représentatives possibles des configurations rencontrées sur le terrain. Le modèle

le plus connu de cette catégorie est celui d’Okumura- Hata, basé sur l’analyse statistique d’un grand

nombre de mesures expérimentales effectuées pour l’agglomération de Tokyo et sa périphérie.

Les paramètres pris en compte correspondent aux caractéristiques des systèmes de télécommunication

(fréquence, hauteurs des antennes), à la distance émetteur-récepteur et à des données sur

l’environnement géographique (type d’occupation du sol, degré d’urbanisation…).

Les performances obtenues avec ce type d’approche sont variables suivant le modèle et le milieu

géographique étudié. L’utilisation d’un tel modèle doit se faire avec beaucoup de précautions pour

aboutir à des résultats acceptables. Il faut entre autre se trouver dans un environnement géographique

qui fasse parti de son domaine d’application et qui soit assez proche des situations mesurées sur le

terrain et qui ont servies à son élaboration.

Ces modèles ont été très utilisés dans les années 70-80 lorsqu’on ne disposait pas encore de données

8/18/2019 HASSINE

25/84


PFE 2006/2007 24

géographiques numériques pour représenter l’environnement. Ils permettaient alors d’avoir des

algorithmes simplifiés donnant rapidement une idée sur l’amplitude du signal que l’on pouvait

recevoir en un point. Mais à l’heure actuelle avec l’évolution technologique due à la forte croissance

de la puissance du matériel informatique, des grands progrès en matière de collecte automatique des

données géographiques et de développement de nombreux algorithmes de traitement de l’information

(images, signal radio, etc.) ont été enregistrés. Il est actuellement possible de disposer d’un volume de

données important et d’en déduire un certain nombre de paramètres utiles pour effectuer un calcul

d’affaiblissement de propagation. C’est pourquoi les modèles purement statistiques sont de moins en

moins utilisés, les opérateurs de télécommunication se tournent de plus en plus vers une troisième

approche qui correspond aux modèles semi empiriques.

3 - Modèles semi empiriques :

Ces modèles constituent une combinaison des deux types de modèles décrits précédemment. Il s’agit

de modèles dont les variables d’entrée et de sortie sont choisies en fonction d’une analyse physique du

phénomène. Une analyse poussée peut nous permettre de déterminer la forme a priori des relations

entre les variables. La partie empirique réside alors dans l’estimation des valeurs numériques des

coefficients du modèle à partir des résultats expérimentaux. Cette approche présente l’avantage

d’éviter les erreurs de modélisation dues aux variables liées.

Figure I.7 : Modèles Semi Empiriques

Les modèles semi empiriques se basent sur une partie théorique assez simplifiée pour tenir compte

des phénomènes de propagation influant (calcul de diffraction multiple, réflexion…). Ensuite, un

certain nombre de corrections statistiques sont effectuées sur l’ensemble des variables calculées par le

modèle et permettant de l’ajuster par rapport aux situations rencontrées sur le terrain. Pour développer

8/18/2019 HASSINE

26/84


PFE 2006/2007 25

ce type de modèles, il faut donc disposer de données assez précises sur l’environnement objet de

l’étude (données géographiques numériques) et de données expérimentales (campagnes de mesures sur

le terrain).

4 - Modèles stochastiques :

En propagation radioélectrique, il s’agit de la situation la plus usuelle. Cette catégorie de modèle

recouvre les trois catégories précédentes. On trouve des modèles stochastiques théoriques, empiriques

et semi empiriques. Un modèle est stochastique dès qu’une variable d’entrée ou de sortie est aléatoire.

Les relations du modèle feront alors intervenir les variables déterministes ainsi que des statistiques

provenant des variables aléatoires ou des paramètres permettant de préciser leurs lois de probabilité.

Souvent ces statistiques et/ou paramètres sont déterminés grâce à d’autres variables d’entrée [1].

Dans le cadre de ce rapport, nous restreindrons notre étude à l’environnement Out Door et nous nous

situons par rapport à la catégorie de modèles de propagation empirique et plus précisément : le

modèle micro cellulaire de Sakagami-Kuboi, qu’on traitera de manière explicite dans le reste de ce

chapitre.

IV. Choix du modèle : Sakagami-Kuboi

Le modèle de Sakagami-Kuboi est un modèle empirique micro cellulaire, qui traite différents types de

propagation et comprend un ensemble de paramètres étroitement liés à la nature de l’environnement.

IV.1. Algorithme

Les pertes totales définies par le modèle ont pour expression :

L = Loss1 + Loss2 + Loss3 + Loss4 (5)

Où

Loss1 = -24.37 + 3.7 (hroof,bs /hbase )2 . log (hbase,mobile ) (6)

Loss2 = [43.42 – 3.1 log (hbase, mobile )] . log (d) (7) Loss3 = 1.4 log (H roof,mobile ) + 6.1log (hroof,mobile ) (8)

Loss4 = 100 – 7.1 log (w) + 0.023 ψ +20 log (f) + exp (13( log (f) – 3.23)) (9)

Les différentes variables figurant dans l’expression du modèle sont expliquées dans le tableau ci-après.

8/18/2019 HASSINE

27/84


PFE 2006/2007 26

Tableau I.1: Paramètres du modèle Sakagami-Kuboi [2]

Environnement

Micro cellulaire pour :

Un environnement urbain où l’antenne de la station de base est inférieure à la

hauteur moyenne des bâtiments

Domaine de validité

Fréquence : 400..2200 MHz

Distance : 0.5..3Km

H base – hmobile : 20..100m

Hauteur des bâtiments en moyenne : 5..50m

Largeur des rues : 5..50m

Paramètres

Distance émetteur-récepteur

Fréquence

Orientation et largeur des rues

La différence entre la hauteur de la station de base et la hauteur du mobile

La hauteur moyenne des bâtiments autour de la station mobile

Hauteur des bâtiments les plus proches du mobile

Méthodologie

Modèle empirique

Entrées

d (distance) en mètre en LOS et en Km en NLOS

f (fréquence) en MHz

ψ : orientation de la rue avec le trajet de l’onde directe en degré

hmobile : hauteur de l’antenne de la station mobileh base : hauteur de l’antenne de la station de base

hroof,base : hauteur des bâtiments autour de la station de base

hroof,mobile : hauteur des bâtiments autour du mobile

Hroof,mobile : hauteur des bâtiments les plus proches du mobile

Sortie Affaiblissement total en dB

IV.2. Pourquoi Sakagami-Kuboi ?

Le choix du modèle Sakagami-Kuboi est fondé sur les paramètres mis en jeu pour le calcul du niveau

du signal reçu en chaque point dans la cellule.

En effet les grandeurs mises en œuvre par ce modèle, s’adaptent parfaitement à notre zone de

mesures :

8/18/2019 HASSINE

28/84


PFE 2006/2007 27

Paramètres de l’environnement :

La zone de mesures est le centre ville de Tunis.

Cet environnement est considéré comme un environnement urbain dense :

• La hauteur des bâtiments est de 4 à 25 m,

• La largeur des rues est de 8 à 15 m.

• Le type des murs : la majorité est en briques à double cloisons [3].

Paramètres Valeur :

Ces paramètres peuvent être fixés automatiquement ou introduits manuellement par l’utilisateur. Nous

choisirons dans le cadre de notre projet les paramètres valeurs suivants :

• Puissance émission : PIRE 48 dBm

• Fréquence 950 MHz

• Gain de l’antenne d’émission : 13 dB

• Hauteur antenne 15 m.

Ainsi, ce modèle nous servira d’outil pour la détermination et l’estimation des pertes relatives à notre

environnement d’étude. Ceci nous permettra de tenir compte des diverses contraintes de propagation

et de mesurer les pertes relatives.

V. Calibration d’un modèle de prédiction

Les modèles actuels génèrent un certain nombre de calculs pour prédire le signal reçu en n’importe

quel point et en tenant compte des phénomènes de propagation. Les algorithmes qui en découlent se

basent sur des données géographiques pour pouvoir effectuer les calculs d’affaiblissement. Enfin, et du

fait de la simplification de l’approche théorique utilisée, il est nécessaire d’améliorer la précision du

modèle pour l’ajuster aux situations réelles. Des corrections statistiques sont donc effectuées à partir

des données expérimentales.

Ainsi l’élaboration d’un modèle de propagation exige des études poussées pour obtenir un modèle

optimal du point de vue performances de prédiction (résultats radio calculés proches des mesures radio

collectées sur le terrain). Ce modèle doit, toutefois, répondre aux exigences d’exploitation quotidienne

du réseau (exemple : temps de calcul des couvertures de champs radio en temps réel).

8/18/2019 HASSINE

29/84


PFE 2006/2007 28

L’optimisation d’un modèle de propagation d’ondes radio se fait par une meilleure prise en compte du

milieu géographique (type d’occupation du sol) en adoptant la démarche suivante :

• Acquisition et utilisation des données géographiques appropriées.

• Introduction de nouvelles variables qui caractérisent le mieux le milieu de propagation (les

indicateurs morphologiques, qui fournissent des informations sur la forme et la structure des

objets géographiques).

• Calcul des coefficients de correction des modèles selon le type d’occupation du sol ou d’autres

données géographiques caractéristiques du milieu en présence.

• Utilisation des données géographiques pour re-calibrer le modèle de propagation, et choisir

automatiquement (grâce au SIG Système d’Information Géographique) l’équation de calcul de

l’affaiblissement radio la mieux adaptée au contexte géographique de la zone d’étude.

De nouveaux modèles de propagation émergent dans le but d’analyser plus finement les différents

milieux géographiques et les phénomènes physiques de propagation à prendre en compte, de concevoir

de nouveaux algorithmes de simulation après définition des nouveaux paramètres d’entrée, ainsi que

de définir et réaliser des campagnes de mesures spécifiques pour l’optimisation et la validation du

nouveau modèle.

V.1.Calibration du modèle de Sakagami-Kuboi

La calibration du modèle vise à l’adapter au milieu d’étude. En fait, la définition d’un modèle de

propagation donné se fait par rapport à l’environnement d’origine.

Il existe en fait diverses méthodes de calibration, dont on distingue deux principales :

L’une consiste à ajouter, à l’expression originale du modèle, une variable aléatoire qui traduit l’erreur

de l’estimation :

Lcalibré = Lthéorique + E (10)

L’autre, cherche à minimiser l’erreur quadratique moyenne. Et ce en exprimant l’équation des pertes à

l’aide d’un système linéaire (combinaison linéaire des pertes : les cœfficients multiplicatifs serontsujets à la méthode des moindre carrés)

Nous optons dans le cadre du projet pour la méthode de régression linéaire car plus sophistiquée et

plus précise.

8/18/2019 HASSINE

30/84


PFE 2006/2007 29

V.2. Méthode de calibration :

Les mesures récupérées sont, des données brutes qui nécessitent un traitement pour lisser les

fluctuations rapides. Nous nous intéressons uniquement aux variations lentes du signal. Par ailleurs un

lissage du signal mesuré est indispensable. Une fenêtre de lissage de 10 m est estimée suffisante.

Vu que notre environnement d’étude ne présente pas les mêmes caractéristiques que celui d’origine du

modèle en question, nous n’avons donc pas la même contribution des diffractions et des réflexions des

ondes radio.

La méthode de calibrage consiste à pondérer les termes calculant la valeur de l’atténuation subie par

le canal, par des constantes que nous allons estimer par la suite.

Ce modèle tient compte de quatre termes distincts :

• Le premier terme donne l’atténuation caractérisant l’environnement de la station de base

• Le second terme estime la valeur de l’atténuation due aux diffractions sur toits des bâtiments

• Le troisième terme estime la valeur de l’atténuation due aux diffractions et les réflexions

multiples caractéristiques de l’environnement de la station mobile

• Le dernier terme donne les pertes relatives à la fréquence d’émission, la largeur et

l’orientation par rapport à la rue

Ainsi le modèle s’écrit :

L = a1 L1 + a2 L2 + a3 L3 + a4 L4 (11)

Soient Y = L, X 1 = L1, X 2 = L2 , X 3 = L3, X 4 = L4

L’équation (11) peut alors s’écrire :

Y = a1 X 1 + a2 X 2 + a3 X 3 + a4 X 4 Ou encore Y = ∑ai X i = X t A, i=1..4

Avec A = (a1 ,a2 ,a3 ,a4 ) et X t = (X 1 ,X 2 ,X 3 ,X 4 )

Comme il s’agit d’une combinaison linéaire, nous pouvons appliquer la théorie des régressionslinéaires multiples pour estimer les constantes de pondérations : ai.

Pour un vecteur de N observations les relations peuvent être écrites en notation matricielle sous la

forme :

8/18/2019 HASSINE

31/84


PFE 2006/2007 30

Soit : Y = XA

Où

Y : vecteur colonne de taille Nx1 (vecteur des mesures réelles)

X : Matrice de taille Nx4 (matrices des pertes estimées par le modèle)

A : vecteur colonne de taille 4 x1 (vecteur des coefficients correcteurs)

Pour chaque observation est définie une erreur ei :

ei = Y i - ∑ j=1 X ij a j (12)

Le vecteur erreur e= (e1 e2…..e N ) peut alors s’écrire

e = Y – XÃ (13)

Avec Y t = (Y 1 Y 2……Y N ) , Ã t = ( ã1 ã2 ) et X : matrice d’observations

Les ai sont choisies de telle sorte que et

e (erreur quadratique moyenne) soit minimale.

D’après l’équation (14) on aura :

et e = (Y – XÃ)t . ( Y – XÃ)

Le vecteur A optimal est le résultat de l’équation :

On obtient : X t (Y - XÃ opt ) = 0 ou encore X t XÃ = X t Y

Etant donné que N =>2, la matrice X t X est définie positive et le vecteur estimé optimal sera donc :

Ã opt = (X t X)-1 X t Y (14)

Y 1Y 2 Y 3Y 4

Y

=

X 11 .. X 14 X 21 .. X 24………

……….

X N1 .. X N4

a1a2a3a4

2

d(et e)/ d A = 0

8/18/2019 HASSINE

32/84


PFE 2006/2007 31

VI. Conclusion

Avant le déploiement d’un réseau cellulaire ou d’une liaison radio, il est important de connaître la

couverture ou la portée de l’antenne. Trois grands modèles servent à décrire cette propagation de plus

en plus finement et en caractériser les pertes:

• l’affaiblissement de parcours

• l’effet de masque

• les évanouissements rapides (voir figure I.8)

Figure I.8: Etendue géographique d'une cellule

Un modèle de propagation donné (déterministe, empirique, semi empirique ou stochastique) est conçu

conformément aux spécificités de l’environnement d’origine : les différents paramètres, variables

d’entrées et de sorties sont étroitement liés à l’environnement de développement ou d’application du

modèle. Il faudrait par conséquent apporter les corrections nécessaires à cette version, si l’on veut

appliquer le modèle à notre environnement tunisien.

Nous nous proposons, dans ce qui suit, d’étudier l’exemple particulier de Sakagami-Kuboi, d’en

présenter le domaine d’application, les équations et les paramètres mis en jeu et ce, afin d’en évaluer

la performance et d’en trouver la version calibrée relative à l’environnement Tunisois.

L’adaptation du modèle se fait, en premier lieu, par simple modélisation linaire des pertes engendrées

par l’estimation. Ensuite par application de la régression linéaire aux facteurs d’optimisation. Et en

déduisant, enfin, le vecteur coefficient qui minimise l’erreur entre l’estimation et les mesures.

8/18/2019 HASSINE

33/84

PFE 2006/2007 32

Chapitre II :

Analyse des besoins et conception générale

Présentation générale du projet

Spécification des besoins

Besoins et Diagrammes des cas d’utilisation :

Diagrammes de classes

Diagramme de séquence

Conclusion

8/18/2019 HASSINE

34/84

Chapitre II : Analyse des besoins et conception générale

PFE 2006/2007 33

I. Présentation générale du projet

Un réseau cellulaire requiert une perpétuelle mise à jour qui sera déduite à partir des mesures

réalisées sur le terrain, et ce afin de garantir les meilleures performances et s’affranchir des

variations de l’environnement.

Ces compagnes de mesures nous seront, toutefois, utiles pour la calibration de modèles de

propagation out door pour qu’ils soient conformes à notre environnement.

Ainsi faut-il s’intéresser tout d’abord à la récolte de ces données expérimentales, les transmettre vers

un serveur qui aura pour tache la sauvegarde et la gestion des traitements ultérieurs des

informations.

Cette application étant dynamique, elle fait intervenir des équipements sophistiqués et appropriés, à

savoir des PDAs Personal Digital Assistant . Le projet consiste alors à établir une connexion entre

un assistant personnel PDA et un serveur d’application web, destinée à servir pour le transfert des

données et des résultats (avant, en cours et après traitement).

Le PDA en question aura pour rôle :

• Acquisition et saisie des mesures : CID Cell Identifier , puissance du signal…

• Envoie des fichiers relatifs à ces informations vers le serveur

Le serveur aura pour rôle :

• La saisie des fichiers de mesures (xml)

•

Le stockage de ces données dans une base de données

• Donner la main à l’application de calibration pour traiter des données de mesures (exploiter

les données réelles pour calibrer le modèle théorique)

• Transfert du résultat du calibrage vers le programme de prédiction (pour réestimer le niveau

de puissance relatif)

• Transfert de la carte résultante de la nouvelle estimation vers le PDA

L’entité de prédiction aura pour rôle :

• Estimer les valeurs de pertes prédites par le modèle de propagation choisie.

• Sauvegarde des résultats pour qu’ils soient accessibles au serveur

L’entité de calibration servira pour :

• Le traitement des données théoriques et pratiques pour la calibration

• Le stockage du résultat de calibration (vecteur de paramètres correcteurs) à utiliser

ultérieurement pour la ré estimation de la couverture radio

8/18/2019 HASSINE

35/84


PFE 2006/2007 34

Figure II.1: Architecture générale de l’application

Acquisitiondes

PDA

Données

DonnéesCalibrées

Programme

SI

2

18

Réseau Internet /Réseau GPRS

Mesure

Environnement Out

Donnéescartographiqu

Application decalibration

Serveurd’application

Mesures

Méthode derégression

linéaire

6

4

9

5

3

8/18/2019 HASSINE

36/84


PFE 2006/2007 35

La figure II.1 résume l’architecture générale de notre projet et explicite les différents composants

mis en œuvre. Les étapes énumérées dans cette figure se récapitulent ainsi :

1- Calcul des paramètres du modèle de prédiction (les pertes estimées par le modèle de propagation Sakagami-Kuboi). Et ce en se basant sur les données cartographiques relative à

la zone d’intérêt (Avenue El Habib Bourguiba, centre Tunis).

2- Enregistrement du résultat de simulation : ces données serviront d’entrées pour un traitement

ultérieur, à savoir la calibration du modèle de propagation.

3- Acquisition des mesures théoriques et transfert de ces données vers le serveur d’application :

ces données doivent être consultables par le serveur.

4- Envoi des données mesurées sur le terrain vers le serveur d’application.

5- Stockage des données récupérées à utiliser ultérieurement pour l’opération de calibration.

6- Traitement des données théoriques et pratiques pour le calibrage du modèle de prédiction et

stockage des paramètres résultat.

7- Transfert du résultat de calibration vers une base de données relative au modèle calibré.

8- Recalcule des pertes engendrées par le nouveau modèle (version calibrée) pour obtenir une

carte relative à la nouvelle couverture.

9- Transfert de la carte obtenue vers le PDA pour qu’elle y soit affichée.

Cette architecture met en œuvre quatre éléments principaux à savoir :

• partie cliente : PDA

• partie serveur d’application web

• partie système de prédiction

• partie de calibration

On pourrait ainsi distinguer quatre applications « filles » qui interagissent et mettent en œuvre un

ensemble de bases de données à structures diverses.

L’architecture détaillée de chaque entité est présentée par les figures qui suivent.

I.1. Architecture du système de prédiction

Comme décrit précédemment, le système de prédiction a pour tache essentielle l’estimation des

pertes relatives au modèle de prédiction (Sakagami-Kuboi), et ce, pour les deux versions du modèle:

• modèle de prédiction initial

• modèle de prédiction calibré

8/18/2019 HASSINE

37/84


PFE 2006/2007 36

Figure II.2: Architecture de l’application de prédiction

I.2. Architecture serveur d’application

ProgrammeModèle de prédiction

(Avenue)

Donnéescartographiques

(Shape files et tables

attributaires)

Paramètres calculés du

modèle de prédiction(Données théoriquesrelatives aux pertes

estimées par le modèle)

Données Calibrées(Expression calibrée du

modèle de prédiction

utilisé sous forme d’untableau de cœfficientsmulti licatifs)

1

4

Serveur Web

3

5

Couvertureestimée par la

version calibrée dumodèle(carte)

2

Programme deCalibration

6

1- Extraire les données géographiques pour le calcul des pertes théoriques estimées par le modèle

de prédiction (ces pertes sont fonctions de : la hauteur des bâtiments, largeurs des rues, hauteur

de l’émetteur…)

2- Le résultat de l’estimation est stocké dans une base de données (il nous sera par la suite utile

dans l’opération de calibration)

3- Envoyer les données estimées vers l’application de calibration

4- Récupérer la version calibrée du modèle de prédiction

5- Utiliser cette expression pour re-estimer la couverture (niveau de puissance reçue dans la zone

d’étude)

6- Remise de la carte relative vers le serveur d’application (pour qu’elle soit délivrée ensuite vers

le client PDA)

8/18/2019 HASSINE

38/84


PFE 2006/2007 37

I.2. Architecture du serveur d’applications

Le serveur d’application nous servira pour deux opérations essentielles :

• Opération mathématique : traitement de calibration (en se basant sur la méthode des moindres

carrées) dont les opérandes sont les mesures réelles et les pertes estimées par l’expression

initiale du modèle de prédiction)

• Opération serveur : délivrer les résultats respectifs (de la calibration et de la nouvelle

estimation) vers l’entité de prédiction respectivement le PDA.

Figure II.3: Application du serveur d’application

Données Calibrées

(Expression calibréedu modèle deprédiction utilisé)

Mesures (sur terrain)

de la puissance reçueet coordonnées GPS

relatives

Paramètres calculésdu modèle de

prédiction(Données théoriques

PDA

Programmede prédiction

3

Données

1

2

Couvertureestimée par la

version calibrée

5

4

Programmede

Calibration

1. Récupérer les paramètres (théoriques) estimés par le modèle2. Récupérer les mesures (réelles)

3. Stocker les mesures en locale pour qu’elles soient accessibles par l’unité de prédiction et celle de

calibrage

4. Envoyer l’expression déduite vers l’application de prédiction

5. Récupérer la couverture ré estimée et la transmettre vers le client PDA

8/18/2019 HASSINE

39/84


PFE 2006/2007 38

I.3. Architecture client

L’application cliente servira pour la saisie des informations cellulaires, les transférer vers le serveur

Web et la récupération de la carte correspondante à la nouvelle prédiction (suite aux traitements

intermédiaires aux niveaux du serveur et de l’entité de prédiction).

Figure II.4: Architecture système de l’application cliente

1Mesures (sur terrain) dela puissance reçue et

coordonnées GPSrelatives

2 Réseau GSM

Couverture estiméepar la version

calibrée du modèle(Carte)

3

1- Saisir les informations relatives à la puissance du signal et les coordonnées GPS

correspondantes.

2- Transmettre les mesures recueillies vers le serveur d’application

3- Récupérer la carte de couverture (puissance) ré estimée par l’expression calibrée du

modèle de prédiction et l’afficher sur l’écran du PDA.

8/18/2019 HASSINE

40/84


PFE 2006/2007 39

I.4. Architecture de l’application de calibration

Figure II.5: Architecture de l’application de calibration

II. Spécification des besoins

La spécification des besoins est une étape primordiale dans un projet. C’est une étape déterminante

dans la construction de la problématique posée. Il est alors crucial de bien comprendre le sujet afin

de cerner les problèmes potentiels d’un point de vue conceptuel, organisationnel et technique.

Nous commençons d’abord par spécifier les besoins de l’application à développer :

Paramètres calculés dumodèle de prédiction(Données théoriquesrelatives aux pertes

estimées par le modèle)

Données Calibrées(Expression calibrée du

modèle de prédictionutilisé)

Mesures (sur terrain) dela puissance reçue et

coordonnées GPSrelatives

Couverture estiméepar la version

calibrée du modèle(Carte)

1

Programme

Modèle de prédiction(Avenue)

2

3

1.Utiliser les valeurs théoriques et pratiques de pertes pour déduire la version calibrée du

modèle de prédiction (méthode des moindres carrée)

2.Appel du système de prédiction pour le ré estimation de la couverture radio relative au modèle

calibré

3. Livraison du résultat vers le serveur web

8/18/2019 HASSINE

41/84


PFE 2006/2007 40

L’application mère consiste à saisir et à gérer les mesures introduites au sein de l’assistant

personnel, véhiculées par la suite au serveur, stockées dans une base de données et traitées au niveau

des applications de prédiction et de calibration.

L’outil doit donc offrir plusieurs fonctionnalités pour satisfaire toutes les tâches citées à savoir :

• L’application n’est déclenchée que sur demande de l’utilisateur.

• L’utilisateur saisit manuellement/automatiquement les mesures

• Le transfert des mesures vers le serveur à travers le réseau (Internet)

• Le traitement parallèle des données, accompli par coopération entre l’entité de prédiction et celle

de calibration.

• Le chargement du résultat vers le serveur

• Le transfert du résultat vers l’application mobile pour l’afficher par la suite.

L’application se base, en partie, sur le concept de Client/Serveur.

III. Besoins et Diagrammes des cas d’utilisation

III.1. Diagramme des cas d’utilisation [4]

Un diagramme des cas d’utilisation : est un diagramme conçu pour définir le comportement d'un

système. Il montre les interactions entre les acteurs et les cas d'utilisation. Dans le système, les

utilisateurs externes sont les acteurs, et les services sont les cas d'utilisation.

Un cas d’utilisation peut être défini comme un service rendu par un système. Il définit tout ou

partie du comportement d'un classificateur (système, sous-système ou classe) tel qu'il peut être perçu

par un utilisateur externe, sans révéler la structure interne du classificateur.

Son but est de spécifier une séquence d'actions qu'un système, ou un sous système, peut réaliser en

interaction avec les acteurs de ce système.

Les cas d'utilisation permettent de modéliser et de structurer les interactions entre les utilisateurs au

sens large, appelés acteurs, et un système.

• Les acteurs : Ils représentent un rôle joué par une entité externe (utilisateurs humain, dispositif

matériel ou autre système) qui interagit directement avec le système étudié.

Un acteur peut consulter et/ou modifier directement l'état du système, en émettant et/ou en

recevant des messages susceptibles d'être porteurs de données.

8/18/2019 HASSINE

42/84


PFE 2006/2007 41

serveur Web

réseau

GSM/GPRSenvoie des mesures radio

reception de la carte de couverture

calibrée

récolte des informations cellulaire

affichage de la carte

utilisateur

• Cas d'utilisation : il représente un ensemble de séquences d'actions qui sont réalisées par le

système et qui produisent un résultat observable intéressant pour un acteur particulier.

Vu la multitude des acteurs et des intervenants, on pourrait subdiviser l’application mère en deux

applications filles à savoir celle au niveau du PDA et celle au niveau du serveur.

Les schémas qui suivent représentent une vue générale sur les différents cas d’utilisation de nos

applications et ce suivant la méthodologie UML Unified Modeling Language que l’on a adopté.

III.2. Diagrammes des cas d’utilisation relatifs à chaque application

III.2.1.Application cliente PDA

L’application cliente présente la partie embarquée (mobile) de notre projet. Un utilisateur, en

déplacement, devrait avoir la possibilité d’acquérir les informations cellulaires (diffusées par le

réseau GSM ou GPRS) et les coordonnées GPS Global Positioning System relatives à sa position

courante.

On peut distinguer, dans ce cadre, un ensemble de cas d’utilisation mis en jeu.

Figure II.6: Cas d'utilisation de l'application cliente

Les cas d’utilisations présentés dans la figure II.6 sont traités en détail dans la suite de ce

paragraphe.

8/18/2019 HASSINE

43/84


PFE 2006/2007 42

III.2.1.1. Cas d’utilisation « Récolte des informations cellulaires »

Ce cas d’utilisation comprend :

L’écoute du réseau cellulaire pour récupérer les informations cellulaires requises telle que la

puissance du signal, l’identité de la cellule courante, la zone de localisation, l’opérateur…

Le décodage des trames NMEA National Marine Electronics Association pour retrouver les

coordonnées GPS de la station mobile

Il inclut à son tour les sous cas d’utilisation suivants :

Figure II.7 : Cas d'utilisation "Récolte des informations cellulaires"

III.2.1.2. Cas d’utilisation « Envoi des mesures radio»

Il s’agit d’établir une connexion avec le serveur d’application avant de lui transférer le fichier xml

contenant les mesures radio en question.

III.2.1.3. Cas d’utilisation « Réception de la carte de couverture calibrée »

La réception de la carte de couverture se fait du coté client. Cette carte présente en fait le résultat

d’estimation de la couverture radio par rapport à la version calibrée du modèle de Sakagami-Kuboi.

Une étape intermédiaire de calibration précède, donc, ce cas d’utilisation.

réseau

GSM/GPRS

BD_PDA

écoute le réseau

saisit les informations cellulaireutilisateur

enregistre les informations

cellulaires

I n c l u d e s

8/18/2019 HASSINE

44/84


PFE 2006/2007 43

III.2.1.4. Cas d’utilisation « Affichage de la carte »

L’affichage de la carte fournit à l’utilisateur les informations relatives aux variations du niveau du

signal dans la zone d’étude (présentée par les données cartographiques associées).

III.2.2.Application de prédiction/calibration

Il est à noter la forte dépendance entre l’application de prédiction et celle de calibration en termes de

données requises et résultantes de part et d’autre. Il nous est donc paru avantageux d’intégrer

l’application de prédiction dans celle de calibration, en ce qui concerne l’étude des cas d’utilisation

et des diagrammes de classes correspondants.

Figure II.8 : Cas d'utilisation de l'application de calibration

Cette application met en œuvre un ensemble de cas d’utilisation (estimation des paramètres du

modèles, calibration, re estimation) qui traduisent les diverses actions effectuées par les intervenants

(utilisateur, base de données).

Ces cas d’utilisation seront traités séparément.

BD_Carthographiq

ue

BD_Résultat

estimation des paramètres du

modèle

utilisateur

demande estimation

calibration du modèle

BD_Prédiction

re-estimation

8/18/2019 HASSINE

45/84


PFE 2006/2007 44

III.2.2.1 Cas d’utilisation « Estimation des paramètres du modèle »

Le cas d’utilisation « Estimation des paramètres du modèle » inclut les sous cas suivants :

Consulter les données cartographiques stockées dans les tables attributaires relatives aux thèmes

« routes » et « buildings » caractéristiques de notre zone (centre ville).

Extraire les données géographiques pour la détermination des pertes estimées par le modèle (hauteur

des bâtiments, largeur des rues…).

L’opération de prédiction consiste à fixer un nombre de paramètres systèmes (hauteur et

coordonnées de l’émetteur, puissance d’émission…) et à lancer le calcul des niveaux de puissance et

les afficher. Les valeurs des estimations résultantes sont stockées dans un fichier de valeurs

théoriques (base de données résultat).

Figure II.9 : Sous cas d'utilisation "Estimation des paramètres du modèle"

III.2.2.2 Cas d’utilisation « Calibration du modèle »

La calibration du modèle consiste à appliquer la méthode de régression linéaire sur le système

linéaire formé par la matrice des valeurs théoriques et le vecteur de mesures récupéré par

l’application cliente [voir chapitre I paragraphe Calibration d’un modèle de prédiction]

Le résultat est ensuite livré au serveur (stocké en local au niveau du serveur d’application).

estimer les paramètres du modèle

consulter les données

cartographiques

extrait les informations

cartographiques requises

BD_Prédiction

utilisateur

opération de prédiction (formule

du modèle)

stocker le résultat d'estimation

(valeurs des pertes estimées)

BD_Carthographiq

ue

I n c l u d e s

8/18/2019 HASSINE

46/84


PFE 2006/2007 45

traitement de calibrationClient_PDA

récupérer les informations réseauBD_Serveur_App

utilisateur

envoie le résultat de calibration

sous forme de carte

Figure II.10 : Sous Cas "calibration du modèle"

III.2.2.3. Cas d’utilisation « Ré estimation»

Il s’agit des mêmes opérations que celles du cas « Estimation des paramètres du modèle » sauf

qu’elles concernent cette fois la version calibrée du modèle.

III.2.3.Application serveur d’application

Le rôle principal de cette application est de garantir le transfert des données entre les diverses

composantes du système. Il s’agit des données de mesures et du résultat de calibration en tant que

carte.

Figure II.11: Cas d'utilisa

hassine

Documents