La création d’un diagramme multifaisceaux (multi- lobes)

Table des matières

INTRODUCTION GÉNÉRALE
CHAPITRE I : ANTENNES ET RÉSEAUX D’ANTENNES IMPRIMÉES
I.1. INTROCUCTION
I.2. DESCRIPTION DES ANTENNES IMPRIMEES
I.2.1. Les antennes à ondes progressives
I.2.2. Les fentes rayonnantes
I.2.3. Les antennes imprimées résonantes
I.3. PRINCIPE DE FONCTIONNEMENT DES ANTENNES IMPRIMEES
I.4. TECHNIQUES D’ALIMENTATION
I.5. AVANTAGES ET LIMITATIONS DES ANTENNES IMPRIMEES
I.6. RESEAUX D’ANTENNES IMPRIMEES
I.6.1. Principe
I.6.2. Choix d’un réseau d’antennes
I.6.3. Réseau d’antennes unidimensionnel et bidimensionnel
I.6.3.1. Réseau unidimensionnel
I.6.3.2. Réseau bidimensionnel ou plan
I.6.4. Paramètres du réseau d’antennes
I.6.4.1. Lobes de réseau
I.6.4.2. Largeur à mi–puissance
I.6.4.3. Directivité et gain
I.6.4.4. Rôle de la directivité des sources élémentaires
I.6.4.5. Pondération complexe d’alimentation
I.7. SYNTHESE DE RESEAUX D’ANTENNES IMPRIMEES
I.7.1. Synthèse à partir d’un gabarit
I.8. POSITION DU PROBLEME
I.8.1. Rayonnement mono faisceau
I.8.2. Rayonnement multi faisceaux
I.9. CRITERE DE CHOIX D’UNE METHODE DE SYNTHESE
I.9.1. Norme d’erreur
I.9.2. Temps de calcul et précision des résultats obtenus
I.9.3. Prise en compte des contraintes de réalisation pratiques
I.9.4. Contraintes sur la fonction synthétisée
I.10. CONCLUSION
CHAPITRE II : SYNTHESE DE RESEAUX D’ANTENNES PAR L’APPROCHE D’ESSAIMS DE PARTICULES
II.1. INTRODUCTION
II.2. HISTORIQUE
II.3. NOTION DU VOISINAGE
II.3.1. voisinage basé sur une distance euclidienne
II.4 FORMULATION DE L’ALGORITHME
II.4.1 Paramètre de l’algorithme
II.5. ANALYSE DES REGLES DE VITESSE
II.6. DIFFERENTES VARIANTES DE LA PSO
II.6.1. Facteur d’inertie
II.6.2. Réduction linéaire de Facteur d’inertie
II.6.3. Vitesse maximale
II.6.4. Facteur de constriction
II.6.5. Essaim de particules adaptatives
II.7. ETAPES DU PROCESSUS D’OPTIMISATION
II.8. LA STRATEGIE ADOPTEE DANS LA PROGRAMMATION
II.9. APPLICATION AUX RESEAUX LINEAIRES
II.9.1. Synthèse par loi d’amplitude et loi de phase
II.9.2. Synthèse par loi d’amplitude et de répartition spatiale
II.9.3. Synthèse par loi d’amplitude, phase et répartition spatiale
II.10 APPLICATION AUX RESEAUX BIDIMENSIONNELS
II.10.1. Synthèse par loi d’amplitude
II.10.2. Synthèse par lois d’amplitude et de phase
II.10.3. Synthèse par loi d’amplitude et de répartition spatiale
II.10.4. Synthèse par loi d’amplitude, phase et répartition spatiale
II.11 APPLICATION AUX RESEAUX MULTI FAISCEAUX
II.11.1. Réseaux d’antenne à deux faisceaux
II.11.2. Réseaux d’antenne à trois faisceaux
II.12. CONCLUSION
CHAPITRE III: SYNTHESE DE RÉSEAUX D’ANTENNES PAR LE MODELE HYBRIDE
III.1. INTRODUCTION
III.2. ESSAIM DE PARTICULE HYBRIDE AVEC LES ALGORITHMES EVOLUTIONAIRES
III.2.1. Model hybride proposé
III.2.2. Model des sous populations
III.3. SYNTHESE DE RESEAUX UNIDIMENSIONNELS
III.3.1. Synthèse par lois d’amplitude et de phase
III.3.2. Synthèse par lois d’amplitude, phase et de répartition spatiale
III.4. SYNTHESE DE RESEAUX PLANS
III.4.1. Synthèse par loi d’amplitude
III.4.2. Synthèse par loi d’amplitude et de phase
III.4.3. Synthèse par loi d’amplitude et de répartition spatiale
III.5. SYNTHESE DE RESEAUX MULTIFAISCEAUX
III.5.1 Réseaux d’antenne à deux faisceaux
III.5.2 Réseaux d’antenne à trois faisceaux
III.5.3 Réseaux d’antenne à quatre faisceaux
III.5.4 Réseaux d’antenne à cinq faisceaux
III.5.5 Réseaux d’antenne à six faisceaux
III.5.6 Réseaux d’antenne à neuf faisceaux orthogonaux
III.6. CONCLUSION
CHAPITRE IV: MODELISATION DE RÉSEAU D’ANTENNES MULTIFAISCEAUX PAR LES RESAUX DE NEURONES
IV.1. INTRODUCTION
IV.2 Réseaux de Neurones: Théories fondamentales
IV.2.1 Le neurone biologique
IV.2.1.1 Le corps cellulaire
IV.2.1.2 L’axone
IV.2.1.3 Les dendrites
IV.2.1.4 La synapse
IV.2.2 Fonctionnement des neurones
IV.2.3 Le neurone formel (Artificiel)
IV.2.3.1 Le modèle mathématique
IV.2.3.2 Fonction de transfert
IV.2.4 Réseaux de neurones artificiels
IV.2.4.1 Réseaux neuronaux multicouches de type Feed- Forward
IV.2.4.2 Réseaux récurrents
IV.2.4.3 Réseaux cellulaires
IV.2.5 Différents types de réseaux neuronaux multicouches de types Feed-forward
IV.2.5.1 Perceptron multicouche MLP ou réseau ABFNN
IV.2.5.2 Réseau RBFNN
IV.2.5.3 Réseau d’ondelettes WNN
IV.2.6 Les méthodes d’Apprentissage
IV.2.6.1 Apprentissage supervisé
IV.2.6.2 Apprentissage non supervisé
IV.2.7 Les algorithmes d’apprentissage
IV.2.7.1 Algorithme de la rétro- propagation du gradient non améliorée
IV.2.7.2 La rétro- propagation du gradient avec momentum
IV.2.7.3 Algorithme de la rétro- propagation du gradient à convergence accélérée par l’adaptation du coefficient d’apprentissage
IV.2.7.4 Algorithme du gradient conjugué CG
IV.2.7.5 Algorithme du gradient conjugué modifié MCG
IV.2.7.6 Méthode de Newton
IV.2.7.7 Méthodes quasi-newtoniennes
IV.3 Outils numériques d’optimisation – Calculs Opérationnels
IV.4 Application de réseaux de neurones à la synthèse de réseau d’antennes
unidimensionnel
IV.4.1 Procédure de développement d’un réseau de neurones
IV.4.1.1 Collecte et analyse des données
IV.4.1.2 Choix d’un réseau de neurones
IV.4.1.3 Base d’apprentissage et Mise en forme des données pour un réseau de Neurones
IV.4.1.4 Algorithme et paramètres d’apprentissage
IV.4.1.5 Validation et résultats de simulation
IV.4.1.6 Conclusion
CONCLUSION GÉNÉRALE
RÉFÉRENCES BIBLIOGRAPHIQUES
ANNEXE A : MODÉLISATION DE LA SOURCE ÉLÉMENTAIRE
ANNEXE B : RESEAU A COUCHE RBF
LISTE DES REVUES ET COMMUNICATIONS