| Titre : | Etude et Simulation de la Couche Physique 5G NR : Application à un Canal PDSCH |
| Auteurs : | CHAOUI Fatima Zohra, Auteur ; DEGDOUG Kheira, Auteur ; BOUCHENAK. Sofya, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Format : | 109ص |
| Accompagnement : | CD |
| Langues: | Français |
| Index. décimale : | BUC-M 008577 |
| Catégories : |
Master's Degree in Telecommunications Specialty: Systems of Telecommunications |
| Mots-clés: | 5G NR, PDSCH, couche physique, eMBB, mMTC, URLLC, OFDM, estimation de canal, LS, DNN, apprentissage profond, BER, MSE, SNR, MATLAB, intelligence artificielle. 5G NR, PDSCH, Physical Layer, eMBB, mMTC, URLLC, OFDM, Channel Estimation, LS, MSE, DNN, Deep Learning, BER/SNR, MATLAB, Artificial Intelligence PDSCH,NR, 5G انطبمتانفُضَبئُت OFDM, URLLC, mMTC, eMBB, , حمذَشانمُبة MSE, LS, , DNN,انخعهىانعًُك MATLAB, BER/SNR, , انزكبءاالصطُبعٍ |
| Résumé : |
Les réseaux 5G New Radio apportent des avancées majeures dans le domaine des
télécommunications en offrant des performances élevées en termes de débit, de fiabilité et de latence. Dans ce contexte, ce mémoire s'intéresse à l'étude de la couche physique 5G NR (New Radio), avec une attention particulière portée au canal PDSCH (Physical Downlink Shared Channel). Ce travail se concentre sur l'analyse et la simulation des trois principaux cas d'usage définis par la 5G : le haut débit mobile amélioré (eMBB), destiné aux applications nécessitant une grande capacité de transmission, les communications massives de type machine (mMTC) pour l'Internet des objets, et les communications ultra-fiables à faible latence (URLLC) pour les applications critiques. Une chaîne complète de transmission et de réception est développée sous MATLAB conformément aux spécifications du 3GPP. Elle intègre les principaux blocs fonctionnels du canal PDSCH, notamment le codage de canal, la modulation, l'allocation des ressources radio et la transmission OFDM. Cette première étape permet d'évaluer et de comparer les performances des différents scénarios à travers l'analyse du taux d'erreur binaire (BER) en fonction du rapport signal sur bruit (SNR). Dans un second temps, une approche basée sur l'apprentissage profond est proposée pour améliorer l'estimation du canal dans le scénario URLLC. Un réseau de neurones profond (DNN) est conçu et comparé à l'estimateur classique des moindres carrés (LS). Les performances sont évaluées à l'aide de l'erreur quadratique moyenne (MSE) et des courbes BER en fonction du SNR. Les résultats obtenus montrent que le DNN améliore l'estimation du canal dans les conditions de faible rapport signal sur bruit, où il se révèle plus robuste face aux perturbations du canal. En revanche, pour des valeurs élevées de SNR, l'estimateur LS conserve un avantage en termes de précision. Ces résultats mettent en évidence la complémentarité des deux approches et soulignent le potentiel de l'apprentissage profond pour renforcer les performances des systèmes 5G NR dans des environnements de propagation complexes. 5G New Radio networks represent a major advancement in telecommunications, delivering unprecedented performance in terms of throughput, reliability, and latency. In this context, the present work thoroughly investigates the key techniques of the 5G NR (New Radio) physical layer, with particular emphasis on the PDSCH (Physical Downlink Shared Channel). Our research focuses on studying and simulating the three use cases defined by the 5G standard: Enhanced Mobile Broadband (eMBB) for bandwidth-intensive applications, Massive Machine-Type Communications (mMTC) for the Internet of Things, and Ultra- Reliable Low-Latency Communications (URLLC) for mission-critical applications. A complete transmission chain was implemented in MATLAB in full compliance with 3GPP specifications, covering the main functional blocks of the PDSCH channel: channel coding, adaptive modulation schemes, radio resource allocation, and OFDM multiplexing. This first phase enabled a thorough analysis and comparison of each use case performance through Bit Error Rate (BER) curves as a function of Signal-to-Noise Ratio (SNR). To further improve system performance, we investigated the contribution of Artificial Intelligence by designing a Deep Neural Network (DNN) dedicated to the URLLC use case. This model targets the optimization of channel estimation, a critical step in the reception chain, offering a modern alternative to the conventional Least Squares (LS) estimator. Performance is assessed using two complementary metrics: Mean Square Error (MSE) for estimation accuracy, and BER/SNR curves for overall system reliability. Simulation results demonstrate that the neural network approach significantly outperforms the conventional LS estimator, especially in challenging radio propagation environments with low signal-to-noise ratios. These findings highlight the considerable potential of Deep Learning in enhancing 5G NR communication systems and pave the way toward intelligent radio architectures for next-generation networks. شهذثشبكبث G 5حطىسا يهحىظب فٍ يضبل االحصبالث، إر أحبحج أداء يخًُضا يٍ حُذ سعت انُمم، وانًىرىلُت، وصيٍاالسخضببت. فٍ هزا اإلطبس، حخُبول هزِ انًزكشة ببنذساست وانخحهُم أبشص حمُُبث انطبمت انفُضَبئُت نُظبو 5 G NR،يع انخشكُض عهً لُبة (PDSCH انمُبة انً شخشكتنإلسسبل انهببظ ). َُذسسهزا انعًم ضًٍ دساست ويحبكبة حبالث االسخخذاو انزالد انخٍ َحذدهب يعُبس G 5انُطبق انعشَض انًحًىل انًحسٍّ)(eMBB نهخطبُمبث راث االسخهالن انعبنٍ نهحضيت انخشددَت، واالحصبالث اِنُت انضخًت )(mMTC إلَخشَجاألشُبء، واالحصبالث فبئمت انًى رىلُتويُخفضت انكًىٌ )(URLLC نهخطبُمبث انحشصت . حىحطىَش سهسهت إسسبل كبيهت ببسخخذاو بُئت MATLAB، يخىافمت يع يىاصفبث 3 GPP،حشًم انًكىَبث انىظُفُتانشئُسُت نمُبة PDSCH: انخشيُض انمُىٌ، ويخططبث انخضًٍُ انخكُفُت، وحخصُص انًىاسد انشادَىَت، وحمُُتاإلسسبل يخعذد ا نحبيالثOFDM. ي ّ كُجهزِ انًشحهت األونً يٍ ححهُم ويمبسَت أداء كم سُُبسَى يٍ خالليُحُُبث يعذل انخطأ انزُبئٍ )(BER بذالنت َسبت اإلشبسة إنً انضىضبء (SNR). سعُبنخحسٍُ أداء انًُظىيت، حى اسخكشبف إيكبَُبث انزكبء االصطُبعٍ عبش حصًُى شبكت عصبُت عًُمت )(DNN يىصهتنحبنت االسخخذاو URLLC. َهذف هزا انًُىرس إنً ححسٍُ دلت حمذَش انمُبة، بىصفهب يشحهت يحىسَت فٍ سهسهتاالسخمببل، يٍ خالل حمذَى بذَم يخطىس نهًم ّ ذسانكالسُكٍ LS (انًشبعبث انصغشي). اعخًُذ فٍ حمُُى األداء عهًيمُبسٍُ يخكبيهٍُ: يخىسظ يشبع انخطأ )(MSE نهخحمك يٍ دلت انخمذَش، ويُحُُبث BER/SNR نمُبط يىرىلُتانُظبو انكهُت . أظهشثَخبئش انًحبكبة حفىلب واضحب نهُهش انمبئى عهً انشبكبث انعصبُت عهً انًم ّ ذسانخمهُذٌ LS، ال سًُب فٍ بُئبث االَخشبسانشادَىٌ راث َسب اإلشبسة إنً انضىضبء انًُخفضت. حؤكذ هزِ انُخبئش اإليكبَبث انكبُشة انخٍ َخُحهب انخعهىانعًُك فٍ حعضَض أداء أَظًت احصبالث 5 NRG ،وحفخح آفبلب واعذة َحى بًُ سادَىَت ركُت ألَظًت االحصبالث انًسخمبهُت. |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008577 Adobe Acrobat PDF |
