Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
DOI:
https://doi.org/10.17981/ingecuc.17.1.2021.10Palabras clave:
detección de energía, radio cognitiva, compleción de matrices, aproximación matricial de la zona de interés, espectro en banda ancha, algoritmo de detección, muestreo, Sub-NyquistResumen
Introducción: La Radio Cognitiva (CR) hace un uso eficiente del recurso radioeléctrico, para ello realiza la Detección de Espectro (SS) con el fin de identificar el espectro disponible. Pero debido a la rápida evolución de los transceptores, la microelectrónica y las altas frecuencias de propagación, se hace necesario que en CR se apliquen algoritmos de SS en bandas de frecuencia y se realice un muestreo inferior a la tasa de Nyquist.
Objetivo: Adaptar un algoritmo para Detección de Espectro Sub-Nyquist en Banda Ancha (WBSS) para redes de CR mediante la Compleción de Matrices (MC) que integra valores semilla a partir de las muestras conocidas, con el fin de completar las entradas no muestreadas de la banda a evaluar, reconstruir las señales e identificar el espectro disponible.
Metodología: Se realizó una adaptación al algoritmo Aproximación Matricial de la Zona de Interés (IZMA), para ello se diseña la etapa de reconstrucción y se elige un método de detección de espectro en banda estrecha para conformar el banco de detectores; el algoritmo que se denomina IZMA_SV es evaluado a nivel de simulación, por tanto se reconstruyen señales determinísticas en diferentes SNR y se identifica el estado del canal como ocupado o libre.
Resultados: Las simulaciones indican que el algoritmo adaptado presenta diferencias entre los valores conocidos de la matriz de muestreo M y la matriz recuperada X en SNR inferiores a -8 dB, mientras que la diferencia tiende a cero en SNR superiores a 2 dB.
Conclusiones: El algoritmo IZMA-SV logra reducir el número de operaciones para llegar a la matriz aproximada X, reconstruyendo señales muestreadas al 75% de la tasa Nyquist y aún con un muestreo del 20% se mantienen las características de la señal que hacen posible la detección de espectro en banda ancha.
Descargas
Citas
Cisco, “Cisco Visual Networking Index: Forecast and Trends, 2017–2022,” Informe técnico 2018-2023, [online , 2017. Available: https://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/white-paper-c11-741490.html
Federal Communications Commission, “Spectrum Policy Task Force ,” Wikia.org, [online , Nov. 2002. Available: https://itlaw.wikia.org/wiki/Spectrum_Policy_Task_Force
J. Mitola & G. Q. Maguire, “Cognitive Radio: making software radios more personal,” IEEE Personal Communicant, vol. 6, no. 4 , pp. 13–18, Aug. 1999. https://doi.org/10.1109/98.788210
J. Mitola, “Cognitive Radio an Integrated Agent Architecture for Software Defined Radio,” Ph.D. dissertation, KTH, SK, SE, 2000 .
S. Haykin, “Cognitive Radio: Brain-Empowered Wireless Communications,” IEEE J Sel Areas Commun, vol. 23, no. 2, pp. 201–220, Feb. 2005. https://doi.org/10.1109/JSAC.2004.839380
J. C. Clement, K. V. Krishnan & A. Bagubali, “Cognitive Radio: Spectrum Sensing Problems in Signal Processing,” Int J Comput App, vol. 40, no. 16, pp. 37–40, Feb. 2012. https://doi.org/10.1109/JSAC.2004.839380
T. Yucek & H. Arslan, “A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications,” IEEE Commun Surv Tutor, vol. 11, no. 1, pp. 116–130, 2009. https://doi.org/10.1109/SURV.2009.090109
M. M. Mabrook & A. I. Hussein, “Major Spectrum Sensing Techniques for Cognitive Radio Networks: A Survey,” IJEIT, vol. 5, no. 3, pp. 24–37, Sep. 2015. Available from https://www.ijeit.com/Vol%205/Issue%203/IJEIT1412201509_05.pdf
S. Chinchu & T. R. Sangeeta, “Hybrid Detection Method for Improving Spectrum Sensing Performance in Cognitive Radio,” IJSR, vol. 5, no. 6, pp. 948–951, Jun. 2016. https://doi.org/10.21275/v5i6.NOV164316
H. Sun, A. Nallanathan, C.-X. Wang & Y. Chen, “Wideband spectrum sensing for cognitive radio networks: a survey,” IEEE Wirel Commun, vol. 20, no. 2, pp. 74–81, Apr. 2013. https://doi.org/10.1109/MWC.2013.6507397
H. Sun, W.-Y. Chiu, J. Jiang, A. Nallanathan & H. V. Poor , “Wideband spectrum sensing with sub-Nyquist sampling in cognitive radios,” IEEE Trans Signal Process, vol. 60, no 11, pp. 6068–6073, Nov. 2012. https://doi.org/10.1109/TSP.2012.2212892
R. Al-Aomar, E. J. Williams & O. M. Ülgen, Process Simulation Using WITNESS. NJ, USA: John Wiley & Sons, 2015.
S. Qaisar, R. M. Bilal, W. Iqbal , M. Naureen & S. Lee, “Compressive Sensing: From Theory to Applications, A survey,” J Commun Net IEEE (KICS), vol. 15, no. 5, pp. 443–456, Oct. 2013. https://doi.org/10.1109/JCN.2013.000083
H. Huang, S. Misra, W. Tang, H. Barani & H. Al-Azzawi, “Applications of compressed sensing in communications networks,” ARXIV, vol. 1305.3002, pp. 1–18, Feb. 2014. Available: https://arxiv.org/pdf/1305.3002.pdf
F. Salahdine, N. Kaabouch & H. El Ghazi, “A survey on compressive sensing techniques for cognitive radio networks,” Phys Commun, vol. 20, no. 1, pp. 61–73, Sep. 2016. https://doi.org/10.1016/j.phycom.2016.05.002
E. J. Candes & B. Recht, “Exact Matrix completion via convex optimization,” FoCM, vol. 9, no. 6, pp. 717–766, Apr. 2009. https://doi.org/10.1007/s10208-009-9045-5
Z. Qin, Y. Gao, M. D. Plumbey & C. G. Parini, “Wideband Spectrum Sensing on Real-Time Signals at Sub-Nyquist Sampling Rates in Single and Cooperative Multiple Nodes,” IEEE Trans Signal Process , vol. 64, no. 12, pp. 3106–3117, Jun. 2016. https://doi.org/10.1109/TSP.2015.2512562
Z. Qin, Y. Liu, Y. Gao, M. Elkashlan & A. Nallanathan, “Wireless Powered Cognitive Radio Networks With Compressive Sensing and Matrix Completion,” IEEE Trans Commun, vol. 65, no. 4, pp. 1464–1476, Apr. 2017. https://doi.org/10.1109/TCOMM.2016.2623606
Z. Qin, Y. Gao & M. D. Plumbey, “Malicious User Detection Based on Low-Rank Matrix Completion in Wideband Spectrum Sensing,” IEEE Trans Signal Process, vol. 66, no. 1, pp. 5–17, Jan. 2018. https://doi.org/10.1109/TSP.2017.2759082
G. Shabat & A. Averbuch , “ Interest zone matrix approximation,” ELA, vol. 23, no. 1, pp. 678–702, Aug. 2012. https://doi.org/10.13001/1081-3810.1551
M. Subhedar & G. Birajdar, “Spectrum Sensing Techniques In Cognitive Radio Networks: A Survey,” IJNGN, vol. 3, no. 2, pp. 37–51, Jun. 2011. https://doi.org/10.5121/ijngn.2011.3203
M. A. Abdulsattar & Z. A. Hussein, “Energy Detection Technique For Spectrum Sensing In Cognitive, Radio: A Survey,” IJCNC, vol. 4, no. 5, pp. 223–242, Sep. 2012. https://doi.org/10.5121/ijcnc.2012.4514
P. S. Aparna & M. Jayasheela, “Cyclostationary Feature Detection in Cognitive Radio using Different Modulation Schemes,” Int J Comp App, vol. 47, no. 21, pp. 12–16, Jun. 2012. https://doi.org/10.5120/7472-0517
D. Bhargavi & C. R. Murthy, “Performance comparison of energy, matched-filter and cyclostationarity-based spectrum sensing,” IEEE 11th International Workshop on Signal Processing Advances in Wireless Communications, SPAWC, MAR, MA, pp. 1–5, 20-23 Jun. 2010. https://doi.org/10.1109/SPAWC.2010.5670882
S. Pattanayak, P. Venkateswaran & R. Nandi, “Artificial Intelligence Based Model for Channel Status Prediction: A New Spectrum Sensing Technique for Cognitive Radio,” IJCNS, vol. 6, no. 3, pp. 139–148, Mar. 2013. https://doi.org/10.4236/ijcns.2013.63017
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 INGE CUC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista INGE CUC respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.
English
Español (España)
