Signal identification is of great interest for various applications such as spectrum sharing and interference management. A typical signal identification system can be divided into two steps. A feature vector is first extracted from the received signal, then a decision is made by a classification algorithm according to its observed values. Some existing techniques show good performance but they are either sensitive to noise level or have high computational complexity. In this paper, a machine learning algorithm is proposed for the identification of vehicular communication signals. The feature vector is made up of Instantaneous Frequency (IF) resulting from time–frequency (TF) analysis. Its dimension is then reduced using the Singular Value Decomposition (SVD) technique, before being fed into a Random Forest classifier. Simulation results show the relevance and the low complexity of IF features compared to existing cyclostationarity-based ones. Furthermore, we found that the same accuracy can be maintained regardless of the noise level. The proposed framework thus provides a more accurate, robust and less complex V2X signal identification system.

Le développement de toute nouvelle technologie sans fil passe par une phase de simulation système, afin d’identifier les paramètres qui impactent la qualité de transmission et de définir les limites du réseau. Ces simulateurs doivent reposer sur des modèles de canaux précis et réalistes permettant de mieux prédire les indicateurs de performance du système. La future génération des réseaux mobiles 5G, en cours de standardisation pour un déploiement en 2020, n’en est pas une exception. Afin d’assurer une communication optimale en termes de ressources énergétiques et spectrales, la nouvelle génération des terminaux 5G doit être également en mesure de connaître en permanence son environnement. Cela repose sur l’implémentation d’un système de localisation, notamment dans les milieux contraints où les systèmes de positionnement satellitaires ne sont pas disponibles. Dans le domaine des transports, un exemple assez récurent est celui des tunnels. Ce type d’environnement est caractérisé par le phénomène de guidage d’onde dû à sa structure géométrique et des propriétés des matériaux de ses murs. Une extension des modèles de propagation développés pour les systèmes 5G s’avère nécessaire, afin de prendre en considération ce cas d’usage. Le modèle proposé dans le cadre de cette thèse adopte une approche hybride pour reproduire l’effet du canal dans une chaîne de localisation. Dans un premier temps, les paramètres de propagation sont calculés par un simulateur à tracé de rayons. Les données déterministes obtenues sont analysées afin d’identifier les lois statistiques qui les régissent. Cela permet de créer une base de données contenant pour chaque paramètre la distribution qui lui correspond. Cette dernière est utilisée pour générer d’une manière stochastique les coefficients du canal utiles à notre système de localisation, à savoir l’amplitude et le retard relatifs à chaque trajet. La réponse impulsionnelle du canal servira à estimer la distance entre les deux antennes de transmission. En fonction des conditions de propagation ainsi que de la position du récepteur, trois sources d’erreur peuvent compromettre la précision de cette distance. Elles sont liées à sa largeur de bande, son seuil de détection, et à l’obstruction éventuelle du trajet direct. L’implémentation d’un mécanisme de contrôle d’intégrité s’annonce comme une solution prometteuse pour améliorer les performances de notre système. Ce dernier consiste à identifier les mesures aberrantes ne répondant pas aux contraintes imposées par l’application, puis de les exclure ou les corriger en fonction de la stratégie adoptée par le récepteur. Dans ce contexte, nous proposons d’exploiter la diversité spatiale d’un système SIMO (pour Single Input Multiple Output) à deux antennes de réception afin d’identifier les conditions de propagation du canal. La première étape de notre approche a pour but d’augmenter la résolution temporelle des deux réponses impulsionnelles du système. Ces dernières sont reconstruites dans le domaine fréquentiel sur une très large bande grâce à une technique de « compressed sensing ». Elles sont ensuite classifiées selon un critère temporel. Celui-ci représente la différence des temps de propagation du signal dans chacun des deux canaux, et il est obtenu par l’intercorrélation des réponses impulsionnelles reconstruites. L’approche proposée permet d’améliorer la fiabilité de l’information de localisation dans le tunnel et de réduire l’erreur liée à la bande limitée du système et à l’absence du trajet direct. Une implémentation expérimentale de la chaîne de localisation basée sur des signaux OFDM donne lieu à des erreurs d’estimation de distance au moins six fois inférieures à celles reportées par l’approche classique, ou même à celles relatives aux autres techniques d’identification basées sur les tests statistiques. Cet algorithme constitue, avec le modèle hybride du canal, les deux contributions majeures de ce travail de thèse