Sondeo compresivo aplicado al sondeo de espectro de banda ancha eficiente en sistemas de radio cognitivo

Compressive sensing applied to efficient broadband spectrum sensing on cognitive radio systems

  • Evelio Astaiza Hoyos Universidad del Quindío
  • Héctor Fabio Bermúdez Orozco Universidad del Quindío
  • Luis Freddy Muñoz Fundación Universitaria de Popayán
Palabras clave: Convex relaxation, Compressive sensing, Random demodulator, Sampling, Spectrum sensing (en_US)
Palabras clave: demodulador aleatorio, muestreo, relajación convexa, sondeo compresivo, sondeo de espectro. (es_ES)

Resumen (es_ES)

Contexto: El sondeo de espectro es universalmente conocido como el principal habilitador de radio cognitivo (CR), dado que dota al dispositivo de CR de la capacidad de conocimiento del entorno de radio.

Objetivo: En este artículo se presenta un algoritmo diseñado para realizar el sondeo de espectro de banda ancha en sistemas de radio cognitivo (CR).

Método: El sondeo de espectro está basado en sondeo compresivo (CS), mediante el cual los usuarios cognitivos, sin necesidad de conocimiento a priori de características de la señal en el entorno de radio, minimizan la cantidad de muestras a procesar y, con ello, reducen de forma proporcional los tiempos de detección, consumos de energía y capacidades de procesamiento requeridas en los dispositivos de radio cognitivo (CRD).

Resultados:  El desempeño del algoritmo propuesto se evalúa mediante la obtención de las curvas de probabilidad de detección, probabilidad de omisión de detección, probabilidad de falsa alarma y las características operativas del receptor (ROC) en comparación con otros algoritmos propuestos en el estado del arte.

Conclusión: Los resultados de simulación demuestran que el método propuesto permite realizar el sondeo de espectro de manera eficiente, mejorando el desempeño del sondeo en función de la probabilidad de detección y de las características operacionales del receptor con respecto a otros algoritmos propuestos basados en muestreo sub-Nyquist.

Resumen (en_US)

Contex: Spectrum polling is universally known as the main Cognitive Radio (CR) enabler, since it provides the CR device with the ability to know the radio environment.

Objetive: This article presents an algorithm design to perform the broadband spectrum probing in Cognitive Radio systems. 

Method: Spectrum polling is based on Compressive Sensing (CS), by which cognitive users minimize the amount of samples to be processed, without the need for a priori knowledge of signal characteristics in the radio environment. In this way, it is possible to proportionally reduce detection times, power consumption and processing capacity required in cognitive radio devices (CRD).

Results: The performance of the proposed algorithm is evaluated by obtaining the probability of detection, the probability of non-detection, the probability of false alarm, and the Receiver Operating Characteristics (ROC), and comparing it with other algorithms proposed in the state of the art.

Conclusion: The simulation results demonstrate that the proposed method allows the efficient sampling of the spectrum. This improves the probe performance based on the probability of detection and the Receiver Operating Characteristic ROC, and it is better than the other proposed algorithms based on sub-Nyquist sampling.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Evelio Astaiza Hoyos, Universidad del Quindío
Ingeniero en Electrónica y Telecomunicaciones, magíster en Ingeniería área Electrónica y Telecomunicaciones, candidato a doctor en Ciencias de la Electrónica. Docente de la Universidad del Quindío, Armenia
Héctor Fabio Bermúdez Orozco, Universidad del Quindío
Ingeniero en Electrónica y Telecomunicaciones, magíster en Electrónica y Telecomunicaciones, candidato a doctor en Ingeniería Telemática. Docente de la Universidad del Quindío, Armenia
Luis Freddy Muñoz, Fundación Universitaria de Popayán
Ingeniero de Sistemas, candidato a doctor en Ciencias de la Electrónica. Docente de la Fundación Universitaria de Popayán (FUP), Popayán

Referencias

Astaiza, E.; Jojoa, P.E. y Bermúdez, H.F. (2015). Compressive sensing: A methodological approach to an efficient signal processing. DYNA, 82(192), 203-210.

Candes, E.J. y Tao, T. (2005). Decoding by linear programming. IEEE Transactions on Information Theory, 51(12), 4203-4215. https://doi.org/10.1109/TIT.2005.858979

Candes, E.J.; Romberg, J. y Tao, T. (2006). Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information. IEEE Transactions on Information Theory, 52(2), 489-509. https://doi.org/10.1109/TIT.2005.862083

Donoho, D.L. (2006). Compressed sensing. IEEE Transactions on Information Theory, 52(4), 1289-1306. https://doi.org/10.1109/TIT.2006.871582

Ghozzi, M.; Marx, F.; Dohler, M. y Palicot, J. (2006). Cyclostatilonarilty-Based Test for Detection of Vacant Frequency Bands. International Conference on Cognitive Radio Oriented Wireless Networks and Communications, IEEE (pp. 1-5). https://doi.org/10.1109/CROWNCOM.2006.363454

Gribonval, R. y Nielsen, M. (2007). Highly sparse representations from dictionaries are unique and independent of the sparseness measure. Applied and Computational Harmonic Analysis, 22(3), 335-355. https://doi.org/10.1016/j.acha.2006.09.003

Haque, T.; Yazicigil, R.T.; Pan, K.J.-L.; Wright, J. y Kinget, P.R. (2015). Theory and Design of a Quadrature Analog-to-Information Converter for Energy-Efficient Wideband Spectrum Sensing. IEEE Transactions on Circuits and Systems I. Regular Papers, 62(2), 527-535. https://doi.org/10.1109/TCSI.2014.2360756

Hernández, C.; Martínez, L.F.P. y Sarmiento, F.H.M. (2016). Algoritmos para asignación de espectro en redes de radio cognitiva. Revista Tecnura, 20(48), 69-88. https://doi.org/10.14483/udistrital.jour.tecnura.2016.2.a05

Hur, Y.; Park, J.; Kim, K.; Lee, J.; Lim, K.; Lee, C.; … Laskar, J. (2006). A Cognitive Radio (CR) Testbed System Employing a Wideband Multi-Resolution Spectrum Sensing (MRSS) Technique. IEEE Vehicular Technology Conference, IEEE (pp. 1-5). https://doi.org/10.1109/VTCF.2006.260

Kumar, P.; Taluja, S. y Lal, R. (2012). Performance analysis of Energy detection, Matched filter detection & Cyclostationary feature detection Spectrum Sensing Techniques. International Journal Of Computational Engineering Research, IJCER, 2(5), 1296-1301.

Lavanya, P.V.; Sindhu, R. y Saravanan, R. (2013). Wavelet and Energy Detection Based Spectrum Sensing Techniques in Cognitive Radio Technology. MIT International Journal of Electronics and Communication Engineering, 3(2), 53-58.

Mishali, M. y Eldar, Y.C. (2011). Wideband Spectrum Sensing at Sub-Nyquist Rates [Applications Corner]. IEEE Signal Processing Magazine, 28(4), 102-135. https://doi.org/10.1109/MSP.2011.941094

Natarajan, B.K. (2006). Sparse Approximate Solutions to Linear Systems. SIAM Journal on Computing, 24(2), 227–234. https://doi.org/10.1137/S0097539792240406

Olabiyi, O. y Annamalai, A. (2012a). Extending the capability of energy detector for sensing of heterogeneous wideband spectrum. IEEE Consumer Communications and Networking Conference (CCNC), IEEE (pp. 454-458). https://doi.org/10.1109/CCNC.2012.6181033

Olabiyi, O. y Annamalai, A. (2012b). Parallel multi-channel detection: A practical solution to energy detection of heterogeneous wideband spectrum. Sarnoff Symposium (SARNOFF), 2012 35th IEEE, IEEE (pp. 1-5). https://doi.org/10.1109/SARNOF.2012.6222719

Penagos, H.P.; Bohórquez, M.; Rodríguez, D.; Maldonado, D.; Sánchez, C. y Galarza, C. (2013). Tecnologia radiocognitiva en la banda ultra high frequency (UHF). Revista Tecnura, 18(39), 138-151. https://doi.org/10.14483/udistrital.jour.tecnura.2014.1.a10

Sahai, A.; Hoven, N. y Tandra, R. (2004). Some Fundamental Limits on Cognitive Radio. University of California. Recuperado de: http://people.eecs.berkeley.edu/~sahai/Papers/cognitive_radio_preliminary.pdf

Shobana, S.; Saravanan, R. y Muthaiah, R. (2013). Matched Filter Based Spectrum Sensing on Cognitive Radio for OFDM WLANs. International Journal of Engineering and Technology, 5(1), 142-146). Recuperado de: http://www.enggjournals.com/ijet/docs/IJET13-05-01-077.pdf

Sun, W.; Huang, Z.; Wang, F. y Wang, X. (2015). Compressive wideband spectrum sensing based on single channel. Electronics Letters, 51(9), 693-695. https://doi.org/10.1049/el.2014.4223

Sutton, P.D.; Nolan, K.E. y Doyle, L.E. (2008). Cyclostationary Signatures in Practical Cognitive Radio Applications. IEEE Journal on Selected Areas in Communications, 26(1), 13-24. https://doi.org/10.1109/JSAC.2008.080103

Tian, Z. y Giannakis, G.B. (2006). A Wavelet Approach to Wideband Spectrum Sensing for Cognitive Radios. International Conference on Cognitive Radio Oriented Wireless Networks and Communications, IEEE (pp. 1-5). https://doi.org/10.1109/CROWNCOM.2006.363459

Tropp, J.A.; Laska, J.N.; Duarte, M.F.; Romberg, J.K. y Baraniuk, R.G. (2010). Beyond Nyquist: Efficient Sampling of Sparse Bandlimited Signals. IEEE Transactions on Information Theory, 56(1), 520-544. https://doi.org/10.1109/TIT.2009.2034811

Urkowitz, H. (1967). Energy detection of unknown deterministic signals. Proceedings of the IEEE, 55(4), 523-531. https://doi.org/10.1109/PROC.1967.5573

Wang, Y.; Guo, C.; Sun, X. y Feng, C. (2015). Time-Efficient Wideband Spectrum Sensing Based on Compressive Sampling. IEEE 81st Vehicular Technology Conference (VTC Spring), IEEE (pp. 1-5). https://doi.org/10.1109/VTCSpring.2015.7146135

Cómo citar
Astaiza Hoyos, E., Bermúdez Orozco, H. F., & Muñoz, L. F. (2017). Sondeo compresivo aplicado al sondeo de espectro de banda ancha eficiente en sistemas de radio cognitivo. Tecnura, 21(51), 42-56. https://doi.org/10.14483/udistrital.jour.tecnura.2017.1.a03
Publicado: 2017-01-01
Sección
Investigación