Herleitung des optimalen Detektors für Spectrum Sensing in Cognitive Radio unter Rauschunsicherheit

Herleitung des optimalen Detektors für Spectrum
Sensing in Cognitive Radio unter Rauschunsicherheit
- Bachelorarbeit -
Maxim Penner
Elektro- und Informationstechnik
1|1914. Januar 2014
Leibniz Universität Hannover
Institut für Kommunikationstechnik
Kolloquium

Sensing in Cognitive Radio unter Rauschunsicherheit 2|19
Daten
Betreuer: M. Sc. Marwan Hammouda
Zeitraum: 4. Juni 2013 bis 2. Januar 2014
Erstprüfer: Prof. Dr. J. Peissig
Zweitprüfer: Prof. Dr. M. Fidler

Inhalt
1. Cognitive Radio:
Motivation und Definition
2. Spectrum Sensing:
Aufgabe, Neyman-Pearson und Rauschunsicherheit
3. Hergeleitete Detektoren:
Rauschunsicherheit und Korrelation

Inhalt
1. Cognitive Radio:
Motivation und Definition
2. Spectrum Sensing:
Aufgabe, Neyman-Pearson und Rauschunsicherheit
3. Hergeleitete Detektoren:
Rauschunsicherheit und Korrelation
4. Simulationsergebnisse:
Performance und Probleme
5. Messergebnisse:
Bestätigung der Simulation und Modell des Rauschens
6. Fazit

Cognitive Radio
Problem: schlechte Auslastung des Spektrums
„Two days of Spectrum Use in Europe“
Aachen, Hannover, Krefeld
maximal 7% bei 30 Mhz bis 3 GHz

Cognitive Radio
Lösung: Dynamic Spectrum Access mit
Cognitive Radio

Cognitive Radio
Lösung: Dynamic Spectrum Access mit
Cognitive Radio
Hier: Primary User mit Lizenz
Secondary User ohne Lizenz

Spectrum Sensing
Hypothese H0: x[k] = w[k]
Hypothese H1: x[k] = w[k] + s[k]

Spectrum Sensing
Ziel 1: Obergrenze für probability of false alarm
mindeste Auslastung des Spektrums
Ziel 2: maximale probability of detection
wenig Interferenz SU und PU

Spectrum Sensing
Ziel 1: Obergrenze für probability of false alarm
mindeste Auslastung des Spektrums
Ziel 2: maximale probability of detection
wenig Interferenz SU und PU
Mittel: Neyman-Pearson Detektor
Bedingungen: Rauschunsicherheit und Korrelation
ii xf  )(

Spectrum Sensing
Widrige Bedingung: Noise Uncertainty
• nichtideales thermisches Rauschen
• Nichtlinearitäten
• Filterungen
• unbeabsichtige Signale von außen
Genaue
Rauschverteilung
unbekannt!

Hergeleitete Detektoren

Detektor 1:
Schwellwertausdruck bekannt


N
i
ixp
1
2

Detektor 1:
Detektor 2:


N
i
ixp
1
2
  xIxx ns
T
N
i
i
n
12
1
2
22
1 

  


Detektor 1:
Detektor 2:


N
i
ixp
1
2
  xIxx ns
T
N
i
i
n
12
1
2
22
1 

  

Energie

Detektor 1:
Detektor 2:
Schwellwertausdruck unbekannt


N
i
ixp
1
2
  xIxx ns
T
N
i
i
n
12
1
2
22
1 

  

Energie Korrelation

Detektor 3:
Noise Uncertainty Model: sondern


N
i
ixp
1
2
n

1

  

 ,
1
Nf
n







.constn 

Detektor 3:
Noise Uncertainty Model: sondern


N
i
ixp
1
2
n

1

  

 ,
1
Nf
n







.constn 
   











21
1
2
1 42
2
21
3
ccerfc
c
c
c
e
ecpf
cc
c
o


Detektor 4: Rauschunsicherheit und Korrelation

Annahme 1:


















1
1
1
1
21
2
1
2





NNN
N
N
ppp
ppp
ppp
ppp
'2
sns SNR  
 SNRn
2

Korrelation

Annahme 1:


















1
1
1
1
21
2
1
2





NNN
N
N
ppp
ppp
ppp
ppp
'2
sns SNR  
 SNRn
2

n

1

Korrelation

Annahme 2: Eigendekomposition der Samples
 
 











N
i
in
N
i
i
yR
yB
RB
RB
B
B
1
2
1
2
0
0
2
0
2
0
2
0
2
4
2
1
2
1
2121









ii yx 

Simulationsergebnisse
Idealfall: keine Rauschunsicherheit

N=1000, keine Korrelation

N=1000, keine Korrelation N=1000, starke Korrelation

Rauschunsicherheit: Detektor 1 und 2 versagen
N=1000, keine Korrelation N=1000, starke Korrelation

Det. 3 unter Rauschunsicherheit: keine SNRW
N=10000 N=20000

Det. 4 unter Rauschunsicherheit:
N=1000, mittlere NU N=1000, starke NU

Messergebnisse
Aufbau und Ablauf:
Primary User:
• Agilent E4438C
Secondary User:
• Tek. RSA 6114A
Noise Uncertainty:
• USRP2
Aufbau und Ablauf:

Messergebnisse
USRP2-Rauschen: sehr gut darstellbar durch Modell
Samples ix

Messergebnisse
USRP2-Rauschen: sehr gut darstellbar durch Modell
Samples Energieix p

Fazit
Korrelation:
• kann in Modell einbezogen werden
• sehr hohe Performanceverbesserung bei
Detektor 2 und Detektor 4
• Nachteil: sehr hoher Rechenaufwand wegen
Matrixoperationen

Fazit
Korrelation:
• kann in Modell einbezogen werden
• sehr hohe Performanceverbesserung bei
Detektor 2 und Detektor 4
• Nachteil: sehr hoher Rechenaufwand wegen
Matrixoperationen
Rauschunsicherheit:
• muss in Modell einbezogen werden, sondern
scheitern Detektoren
• vorgeschlagenes Modell geschlossen lösbar
und allgemein anwendbar (-> mehr Tests)

Herleitung des optimalen Detektors für Spectrum Sensing in Cognitive Radio unter Rauschunsicherheit

Weitere ähnliche Inhalte

Andere mochten auch

Mehr von Marwan Hammouda

Herleitung des optimalen Detektors für Spectrum Sensing in Cognitive Radio unter Rauschunsicherheit