Leïla NAJJAR
Leïla NAJJAR is an engineer from Ecole Polytechnique de Tunisie. She studied at the University of Paris Sud where she obtained a PhD in Automatic and Signal Processing. She is now a full Professor at Ecole Supérieure des Communications de Tunis (SUP’COM) and a member of research Laboratory Communication, Signal and Image (COSIM).
Date
17 janvier – 17 février 2022
18 avril – 18 mai 2022
Laboratoires
Laboratory Communication, Signal and Image (COSIM)
https://www.cosim-supcom.org/fra/cv/28/LeEela-Najjar/
Axe scientifique DigiCosme ComEx, IID
Intérêts de recherche
- Use of signal processing tools in telecommunications problems
- Antenna processing, Localization
- Synchronization, channel estimation
- Asymptotic estimation performance, lower bounds
- Energy efficiency in WSN
- Compressive sensing
Principales contributions de recherche
« Intelligence artificielle et défis dans les réseaux de communication sans fil 5G et B5G »
L’objectif étant de définir un sujet de thèse de doctorat sur l’application de l’Intelligence Artificielle (IA) dans la B5G (Beyond 5G).
Aperçu sur le thème de recherche
L’augmentation du nombre d’utilisateurs dans les réseaux sans fil impose des exigences sur l’amélioration de la qualité dans ces réseaux et ce en terme de couverture, débit, coût, sécurité et adaptabilité.
Pour ces réseaux sans fil, les technologies de l’Intelligence artificielle (IA) et en particulier le Machine Learning (ML) présentent des potentiels pour la résolution de problèmes non structurés et difficiles impliquant de grandes quantités de données B5G.
Comme première phase du travail, l’objectif serait d’établir une recherche bibliographique étendue pour recenser en premier lieu les problèmes pour lesquels l’IA/ML apporte des solutions efficaces au niveau de la conception, l’optimisation et de l’opération dans ces réseaux et en second lieu les contributions apportées et les challenges qui restent à relever dans l’application de l’IA/ML dans les réseaux B5G.
Les problèmes concernés incluent principalement les mesures, modélisation et estimation de canaux d’une part et la couche physique, l’optimisation et gestion des réseaux d’autre part. Les avantages d’introduire le ML dans les problèmes de communication sont en effet d’apprendre le canal et les interférences à travers les données et a priori sans avoir à passer par des modélisations souvent complexes à cause de la forte non stationnarité des canaux dans le contexte 5G/B5G. Par ailleurs, les algorithmes de ML du type apprentissage profond (deep learning) et apprentissage probabiliste (probabilistic learning) sont capables de modéliser les corrélations fortement non linéaires et d’estimer les paramètres.
Un rapport de synthèse sera issu de cette recherche bibliographique.
Dans une deuxième phase du travail, nous nous focaliserons sur la problématique d’estimation de canaux de propagation. L’overhead induit par les pilotes (critique en MIMO massif), la non-linéarité (cas de communications VLC et mmWave) et la grande mobilité des canaux représentent des challenges pour l’estimation de canaux en 5G/B5G.
Le ML est utilisé pour pallier à de telles difficultés pour estimer les canaux multi-trajets, variables dans le temps et à évanouissement rapide. L’exploitation de la parcimonie structurelle tel est le cas dans l’espace a été proposée pour les canaux pour les communications mm-Wave en MIMO massif.
Lorsqu’on augmente le nombre d’antennes, la matrice canal devient creuse à cause du faible nombre de clusters qui regroupent les trajets à puissance significative. Cette parcimonie obtenue dans l’espace peut être exploitée par la méthode du sparse Bayesian learning.
Le problème de sparse recovery représente enfin un domaine de recherche intéressant en compressive sensing Bayésien pour l’objectif d’estimation d’un vecteur compressible à partir d’un ensemble de mesures bruitées.
Référence – Wang, C., Di Renzo, M., Stanczak, S., Wang, S., Larsson, E. G, (2020), Artificial Intelligence Enabled Wireless Networking for 5G and Beyond: Recent Advances and Future Challenges, IEEE Wireless Communications, 27(1), 16-23. https://doi.org/10.1109/MWC.001.1900292
Séminaire: An Introduction to Compressive Sensing Theory
Lundi 17 janvier 2022 à 10:00,
Invité par l’équipe U2IS. http://u2is.ensta-paris.fr/?lang=fr
Cours: Introduction to Compressive Sensing Theory
Professeur: Leïla NAJJAR, Ecole Supérieure des Communications de Tunis, Tunisia
The course will be held on 17 and 24 january 2022, between 10:00 and 12:30.
The course is aimed at M2 and PhD students and everyone else interested.
Abstract
Nowadays, the evolution of technology is at the origin of huge amount of data generation. The first step of data acquisition is the sampling which is used to choose instantaneous values of data to be converted from analog to digital signals. Then, compression is used to transform the quantity of bits into a fewer amount of bits based on encoding information.
Sampling and compression are the two conventional steps required for data storage and processing.
Very frequently, these steps are costly and lossy as an important amount of acquired data is withdrawn during compression. This observation gave rise to the question of possible simultaneous sampling and compression especially for signals that have some particular structural properties. For such signals, there exists a parcimonious representation in a given basis making it compressible. We explore the concepts of compressibility and incoherence. Further, we study the basic reconstruction algorithms and finally we explore potentials of CS in wireless communications field.
To register for the course, send an email containing your name and affilation to : leila.najjar@supcom.tn
Résumé : voir le fichier joint (course_Summary.pdf)
In this short course, we will present the basic concepts and results of the theory of Compressive Sensing, which bypasses the basic sampling theory of Shannon. In the first part, we will investigate the sparsity and incoherence concepts, which are fundamental for the compressive sensing concept. Then, restrictive isometry property and coherence are explored. The main classes of reconstruction algorithms are then presented. Finally, we will highlight some applications.
Cours
Lundi 17 janvier 2022 : 10h00-12h30
Lundi 24 janvier 2022 : 10h00-12h30
Inscription
Date limite d’inscription vendredi 14 janvier 2022
Inscription : par courrier à Leïla NAJJAR (leila.najjar@supcom.tn)
Cours à destination des étudiants de M2 / doctorants / post-docs / chercheurs intéressés par le sujet
Adresse
CentraleSupélec, Gif-sur-Yvette, France