Résumé:
L’égalisation des canaux de transmission est une fonction principale dans les systèmes de communications numériques, elle consiste à la restitution du signal transmis, après être distordu, par l’effet du canal et du bruit.
Les égaliseurs classiques sont basés simplement sur des filtres numériques (Filtre à réponse impulsionnelle finie et Filtre à réponse impulsionnelle infinie) ce qui limite leurs performances dans le cas des canaux de transmission non linéaires. Afin d'améliorer les performances de l'égaliseur, les réseaux de neurones artificiels ont été largement utilisés, en particulier dans certains cas de canaux non linéaires. Plusieurs algorithmes sont utilisés pour optimiser les poids des réseaux de neurones. Certains utilisent les techniques basées sur le gradient. Bien que ces algorithmes soient très utiles pour l’optimisation des poids des réseaux de neurones, ils souffrent du problème de minimum local. Afin de résoudre ce problème, de nombreux algorithmes de recherche stochastiques connus sous le nom d'algorithmes méta-heuristiques ont été proposés.
Dans le présent travail, on se propose l’étude des égaliseurs adaptatifs tout en testant leurs performances. Dans ce contexte, nous avons focalisé nos recherches sur les algorithmes d’apprentissage pour améliorer la fonction d’égalisation.
