CARACTÉRISTIQUE STATISTIQUE DISCRIMINANTE POUR LA DÉTECTION DE SPECTRE À LARGE BANDE
DOI :
https://doi.org/10.59277/RRST-EE.2023.68.1.14Mots-clés :
Radio cognitive, Faible rapport signal sur bruit (SNR), Plancher de bruit variable, Variance de la moyenne mobile multi-échelles, Détection large bandeRésumé
Les appareils sensibles au spectre et les radios cognitives avec détection de spectre à large bande feront partie intégrante de la 5G ou au-delà du haut débit sans fil. Ils doivent être rapides et économes en énergie pour un accès dynamique opportuniste au spectre sous licence. Diverses méthodes de détection compressée (CS) peuvent mettre en œuvre une détection à large bande avec un temps et une consommation d'énergie réduits, mais sont imprécises à un SNR faible. Les méthodes propres sont l'une des meilleures parmi les méthodes non-CS, mais leur coût de calcul est élevé. Dans cet article, nous présentons une caractéristique simple appelée la variance de la moyenne mobile multi-échelle (VMMA) qui peut être directement utilisée comme statistique de décision, discriminant le signal du bruit de manière très précise, même à un faible rapport signal sur bruit (SNR ). VMMA calcule la variance d'une manière spécifique sur l'ensemble de la bande après avoir comparé les moyennes mobiles à court et à long terme. Des tests sur des données spectrales expérimentales et des simulations numériques montrent que les algorithmes proposés sont non seulement rapides mais ont également une probabilité de détection plus élevée que les algorithmes développés dans la littérature. Des expressions analytiques pour la probabilité de détection et de fausse alarme, ainsi que la complexité des algorithmes, sont également dérivées.
Références
(1) A. Marţian, Evaluation of spectrum occupancy in urban and rural environments of Romania, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 59, 1, pp. 87–96 (2014).
(2) W.S.H.M.W. Ahmad et al., 5G technology: towards dynamic spectrum sharing using cognitive radio networks, IEEE Access, 8, pp. 14460–14488 (2020).
(3) G.P. Aswathy, K. Gopakumar, Sub-Nyquist wideband spectrum sensing techniques for cognitive radio: A review and proposed techniques, AEU Int J Electron Commun, 104, pp. 44–57 (May 2019).
(4) Y. Arjoune, N. Kaabouch, A comprehensive survey on spectrum sensing in cognitive radio networks: recent advances, new challenges, and future research directions, Sensors, 19, 126, pp. 1–32 (2019).
(5) A. Ali, W. Hamouda, Advances on spectrum sensing for cognitive radio networks: theory and applications, IEEE Communications Surveys & Tutorials, 19, 2, pp. 1277–1304 (Second quarter 2017).
(6) A. Eslami, S. Karamzadeh, Double threshold maximum to minimum Eigen-value spectrum sensing proposal and performance analysis, 2016 National Conference on Electrical, Electronics and Biomedical Engineering (ELECO), pp. 646–649 (2016).
(7) Q. Lu, S. Yang, F. Liu, Wideband spectrum sensing based on riemannian distance for cognitive radio networks, Sensors, 17, 661, pp. 1–18 (2017).
(8) A. Badarudeen, G. Student, K. Gopakumar, Wideband spectrum sensing using multi stage Weiner filter, 2016 IEEE 7th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), New York, NY, pp. 1–5 (2016).
(9) P.Y. Dibal, E.N. Onwuka, J. Agajo, C.O. Alenoghena, Application of wavelet transform in spectrum sensing for cognitive radio: A survey, Physical Communication, 28, pp. 45–57, June 2018).
(10) N. Abbas, Y. Nasser, K. E. Ahmad, Recent advances on artificial intelligence and learning techniques in cognitive radio networks, EURASIP Journal on Wireless Communications and Networking, 174, pp. 1–20 (2015).
(11) O.P. Awe, Z. Zhu, S. Lambotharan, Eigenvalue and support vector machine techniques for spectrum sensing in cognitive radio networks, 2013 Conference on Technologies and Applications of Artificial Intelligence, Taipei, pp. 223–227 (2013).
(12) S. Koley, V. Mirza, S. Islam, D. Mitra, Gradient-based real-time spectrum sensing at low SNR, IEEE Communications Letters, 19, 3, pp. 391–394 (March 2015).
(13) A.K. Varma, D. Mitra, Cognitive wideband sensing using correlation of inverted spectrum segments, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 65, 1-2, pp. 97–102 (July 2020).
(14) J. Vartiainen, J. J. Lehtomaki, H. Saarnisaari, Double-threshold based narrowband signal extraction, 2005 IEEE 61st Vehicular Technology Conference, Stockholm, 2, 2005, pp. 1288–1292.
(15) A. K. Varma, D. Mitra, A novel cloud-based self-adaptive cognitive radio network architecture, AEU - Int J of Electron and Commun, 106, pp. 32–39 (2019).
(16) M. Bkassiny, A. Lima De Sousa, S. K. Jayaweera, wideband spectrum sensing for cognitive radios in weakly correlated non-Gaussian noise, IEEE Communications Letters, 19, 7, pp. 1137–1140 (July 2015).
(17) I. S. Gradshteyn, I. M. Ryzhik, Table of Integrals, Series and Products, 7th ed., Academic Press (2000).
(18) C. Walch, Hand-book on Statistical Distributions for Experimentalists, Internal Report SUF-PFY/96-01 (2007).
(19) K. Krishnamoorthy, Handbook of Statistical Distributions with Applications, 2nd ed., CRC Press (2016).
