Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla

Resumen

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. 

Palabras clave: Radio Cognitiva, algoritmo de detección de espectro en banda ancha, Compleción de Matrices, Aproximación matricial de la zona de interés, muestreo Sub-Nyquist, detección de energía

Referencias

Cisco. (2017). Cisco Visual Networking Index: Forecast and Trends, 2017–2022. In 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 ,” Rep. ET Docket no. 02-135, Nov. 2002..

J. I. Mitola and G. Q. Maguire, “Cognitive Radio: making software radios more personal,” IEEE Personal Communicant, vol. 6, no. 4, pp. 13-18, Sep. 1999. https://doi.org/10.1109/98.788210

J. I. Mitola, “Cognitive Radio an Integrated Agent Architecture for Software Defined Radio,” Ph.D. dissertation, Technology, Inst. Kungliga Tekniska Hogskolan (KTH), Stockholm, Sweden, 2000.

S. Haykin, “Cognitive Radio: Brain-Empowered Wireless Communications,” IEEE Journal On Selected Areas In Communications, 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,” International Journal of computer applications, vol. 40, no. 16, pp. 37-40, Feb. 2012. http://doi.org/10.5120/5067-7475

T. Yucek , H. Arslan, “A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications,” IEEE Communications Surveys & Tutorials, vol. 11, no. 1, pp. 116-130, First Quarter 2009. http://doi.org/10.1109/SURV.2009.090109

M. M. Mabrook, A. I. Hussein, “Major Spectrum Sensing Techniques for Cognitive Radio Networks: A Survey,” International Journal of Engineering and Innovative Technology (IJEIT), ISSN: 2277-3754, vol. 5, no. 3, pp. 24-37, Sep. 2015.

S. Chinchu, T. Sangeeta, “Hybrid Detection Method for Improving Spectrum Sensing Performance in Cognitive Radio,” International Journal of Science and Research (IJSR) ISSN (Online): 2319-7064, vol. 5 no. 6, pp.. 948-951, Jun. 2016. http://dx.doi.org/10.21275/v5i6.NOV164316

H. Sun, A. Nallanathan, C. Wang and Y. Chen, "Wideband spectrum sensing for cognitive radio networks: a survey," IEEE Wireless Communications, vol. 20, no. 2, pp. 74-81, Apr. 2013. http://doi.org/10.1109/MWC.2013.6507397

H. Sun, W.Y. Chiu, J. Jiang, A. Nallanathan and H. V. Poor , “Wideband spectrum sensing with sub-Nyquist sampling in cognitive radios,” IEEE Transactions on Signal Processing, vol. 60, no 11, pp. 6068-6073, Nov. 2012. http://doi.org/ 10.1109/TSP.2012.2212892

R. Al‐Aomar, E. J. Williams and O. M. Ülgen, "Concepts of Simulation Modeling," in Process Simulation Using WITNESS, 1st ed., vol. 1. New Jersey: John Wiley & Sons, 2015, pp.1-39,.

S. Qaisar, R. M. Bilal, W. Iqbal , M. Naureen and S. Lee,"Compressive Sensing: From Theory to Applications, A survey," Journal of Communications and Networks IEEE, 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 and H. Al-Azzawi, "Applications of compressed sensing in communications networks," arXiv preprint arXiv:1305.3002, pág. 1-18, Feb. 2014.

F. Salahdine, N. Kaabouch, and H. El Ghazi., "A survey on compressive sensing techniques for cognitive radio networks," Physical Communication, vol. 20, pág. 61-73, 2016. https://doi.org/10.1016/j.phycom.2016.05.002

E. J. Candes and B. Recht, "Exact Matrix completion via convex optimization,” Foundations of Computational mathematics, 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 and C. G. Parini, “Wideband Spectrum Sensing on Real-Time Signals at Sub-Nyquist Sampling Rates in Single and Cooperative Multiple Nodes,” IEEE Transactions on Signal Processing, vol. 64, no. 12, pp. 3106-3117, Jun. 2016. http://doi.org/10.1109/TSP.2015.2512562

Z. Qin, Y. Liu, Y. Gao, M. Elkashlan and A. Nallanathan, “Wireless Powered Cognitive Radio Networks With Compressive Sensing and Matrix Completion,” IEEE Transactions on Communications, vol. 65, no. 4, pp. 1464-1476, Apr. 2017. http://doi.or /10.1109/TCOMM.2016.2623606

Z. Qin, Y. Gao and M. D. Plumbey, “Malicious User Detection Based on Low-Rank Matrix Completion in Wideband Spectrum Sensing,” IEEE Transactions on Signal Processing, vol. 66, no. 1, pp. 5-17, Jan. 2018. http://doi.or /10.1109/TCOMM.2016.2623606

G. Shabat and A. Averbuch, “Interest zone matrix approximation,” Electronic Journal of Linear Algebra, vol. 23, no. 1, pp. 678-702, Feb. 2012. https://doi.org/10.13001/1081-3810.1551

M. Subhedar and G. Birajdar, “Spectrum Sensing Techniques In Cognitive Radio Networks: A Survey,” International Journal of Next Generation Networks, vol. 3, no. 2, pp. 37-51, Jun. 2011. http://doi.org/10.5121/ijngn.2011.3203

M. A. Abdulsattar and Z. A. Hussein, “Energy Detection Technique For Spectrum Sensing In Cognitive, Radio: A Survey,” International Journal of Computer Networks & Communications (IJCNC), vol. 4, no.5, pp. 223-242, Sep. 2012. http://doi.org/10.5121/ijcnc.2012.4514

P. S. Aparna and M. Jayasheela, “Cyclostationary Feature Detection in Cognitive Radio using Different Modulation Schemes,” International Journal of Computer Applications, vol. 47, no. 21, pp. 12-16, June 2012. http://doi.org/10.5120/7472-0517

D. Bhargavi and C. R. Murthy, “Performance comparison of energy, matched-filter and cyclostationarity-based spectrum sensing,” 2010 IEEE 11th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), pp. 1-5, IEEE 2010. http://dx.doi.org/10.1109/SPAWC.2010.5670882

S. Pattanayak, P. Venkateswaran and R. Nandi, “Artificial Intelligence Based Model for Channel Status Prediction: A New Spectrum Sensing Technique for Cognitive Radio,” International Journal of Communications, Network and System Sciences, vol. 6, no. 3, pp. 139-148, march 2013. http://dx.doi.org/10.4236/ijcns.2013.63017

Descargas

La descarga de datos todavía no está disponible.
Publicado
2021-01-12
Cómo citar
Erazo De La Cruz, O. F., Miramá Pérez, V. F., & Mora Arroyo, J. E. (2021). Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla. INGE CUC, 17(1). https://doi.org/10.17981/ingecuc.17.1.2021.10
Sección
Artículos