Metoda Robust Blind Spectrum Sensing untuk Cognitive Radio

Metoda Robust Blind Spectrum Sensing untuk

Cognitive Radio

(Seminar Kemajuan IV)

Agus Subekti (NIM 33210011)

15 Januari 2015

Agenda

1 Pendahuluan

2 Tinjauan Pustaka

3 Metoda Spectrum Sensing

4 Hasil Evaluasi Performansi

Kinerja Deteksi Kompleksitas

5 Kesimpulan

Cognitive radio:

suatu sistem radio yang dapat mengubah

parameter-paramater transmisinya berdasarkan interaksi dengan lingkungan operasinya

Kemampuan:

Cognitive capability:

deteksi kondisi lingkungan, parameter-parameter sinyal lain yang sedang aktif, misalnya frekuensi transmisi, jenis modulasi, daya pancar, bandwidth, dan lain-lain

Reconfigurability:

kemampuan untuk secara cepat menyesuaikan parameter transmisinya berdasarkan hasil deteksi lingkungan yang dilakukan dengan cognitive capability

Pengukuran menunjukkan, utilisasi spektrum frekuensi oleh pemegang lisensi rendah

Spectrum sharing cognitive radio:

Secondary user menggunakan spektrum yang sedang tidak digunakan oleh primary users

Std: IEEE 802.22, IEEE 802.11af

Secondary users/CR melakukan spectrum sensing:

Mendeteksi spectrum holes

Menjamin transmisi oleh cognitive radio tidak menimbulkan interferensi ke pengguna primer (pemilik lisensi spektrum)

Tantangan Algoritma spectrum sensing:

Persyaratan kinerja:

Detection rate:Pd, constraints: false alarm ratePf dan waktu

sensing

Kompleksitas implementasi

Keterbatasan parameter informasi sinyal primer

Example: IEEE 802.22 MAN

TV white spaces find vacant channel:

geolocation database spectrum sensing

Requirement

Detection rate: 90 % False Alarm rate: 10 %

SNR -22 dB

Beberapa metoda spectrum sensing:

energy detection, waveform based detection, cyclostationarity based detection, matched filtering, dan beberapa algoritma lainnya yang merupakan turunan atau perbaikan dari metoda-metoda tersebut

Energy detection

algoritma spectrum sensing yang paling popular karena kompleksitas implementasi yang rendah.

Tetapi,

kinerjanya jelek pada SNR rendah,

energy detection memiliki kelemahan dalam hal

ketidakkokohan dalam menghadapi ketidakpastian derau

Fokus penelitian:

algoritma spectrum sensing yang lebih robust dari energy detection dalam menghadapi ketidakpastian derau pada SNR rendah

Pendahuluan

Diagram blok spectrum sensing

Kondisi sinyal primer aktif, tidak ada spectrum hole:

Kondisi sinyal primer non aktif, ada spectrum hole:

Received signals:

r(n) =s(n) +w(n)

Mathematical Model of Hypothesis Testing:

H0 :r(n) =w(n)

H₁:r(n) =s(n) +w(n)

for:

n= 0,1, ,N₋1

w(n): noise, AWGN

s(n): Primary User Signal

r(n): signal received at spectrum sensing 2 Possible Conditions:

H0: no primary signal, channel is vacant

H1: primary signal’s active, channel is occupied

Probability of detection: Pd =P(H1|H1) . Probability of false alarm: Pf =P(H1|H0)

Neyman-Pearson detector:

Thresholdα: Pf =

R

x:L(x)>αp(x|H0)dx=α

Likelihood ratio test bilaL(x) =p(x|H1) p(x|H0) > α

Decision:H1

Energy Detection

Test Statistics: T(r) =krk2 = _N1 PNn=1|r(n)| 2

Detector decision rules: if T(r)> λ: H1, else: H0

Probability of False Alarm(Pf):

Pf =P(H1|H0) =Q λ−σ

Probability of Detection (Pd):

Pada SNR rendah, noise uncertainty membuat kenerja energy detection rendah

Noise uncertainty:

Calibration error

perubahan thermal noise change karena perubahan temperature

perubahan Amplifier gain change karena perubahan temperature change

Interference selama kalibrasi

Probability of false alarm menjadi:

Probability of detection:

Perbaikan Sensivitas Energy Detection Sensing:

Metoda-metoda Non blind Sensing: memerlukan informasi parameter sinyal primer

Waveform based sensing cyclostationarity based sensing radio identification based sensing mathed filter based sensing

Metoda-metoda Blind Sensing: Tidak memerlukan informasi parameter sinyal primer

Statistical covariance & correlation matrix blind sourse separation

Distribution based sensing

Tantangan: kompleksitas

Diagram blok spectrum sensing

Received signals: r(n) =s(n) +w(n)

Hypothesis Testing:

no primary signal: H0:r(n) =w(n) n=0,1,,N-1

active primary signal: H1 :r(n) =s(n) +w(n)

Dimana:w(n): noise, AWGN; s(n): Primary User Signal; r(n):

signal received at spectrum sensing

H0:r(n) =w(n), AWGN

w(n)_∼N(0, σ2_w) i.e. Gaussian random variable dengan probability density function (PDF):

r(n) =s(n) +w(n), PDFr,p(r) merupakan konvolusip(s) andp(w) [Taub & Schiling 1986:pp 83-85],

dengan asumsi s danw independen:

p(r) =p(s)_⊗p(w)

di mana Φ(x): cumulative distribution function standard normal random variable.

PDFH₀ :r(n) =w(n) = PDF₆ H₀ :r(n) =s(n) +w(n)

PDFH0 :r(n) =w(n) Gaussian

Kurtosis Guassian Distributionkurt(r) =E r4₋3 E r22

mean r=0, dan varians r=1, : E(r2_{) = 1 ,}

kurt(r) =E(r4)₋3 karena r gaussion, maka

E(r4_{) = 3E(r}2₎2 _{= 3}

kurtosis dari Gaussian distribution = 0

Estimasi Kurtosis dari sample terbatas (N):

Test Statistics:

T₁ = 1₂K(re(R(f))) + 1₂K(im(R(f)))

T2 =K(re(R(f)))

T3 =K(im(R(f)))

Algoritma spectrum sensing yang diusulkan:

Step 1: R(f) didapatkan dengan operasi DFT pada r(n).

Step 2: Kurtosis dihitung untuk ouput real: kreal = (kurt(real(X(f)))

Step 3: Kurtosis juga dihitung untuk tiap frame bagian

imajiner output FFT kimag = (kurt(imag(X(f)))

Step 4: Perhitungan test statistic T1,T2,T3

Step 5: bila T >threshold, detector memutuskanH1 , bila T <threshold,H0.

Kinerja Energy Detection

Sample Complexity

Kinerja Metoda yang diusulkan

Rangkuman methoda hasil performansi

kelebihan dan kelemahan