Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva

Autores/as

  • Pablo Geovanny Palacios Játiva Departamento de Ingeniería Eléctrica, Universidad de Chile
  • Carlos Andrés Saavedra Arancibia Kyung Hee University

DOI:

https://doi.org/10.26910/issn.2528-8083vol3iss10.2018pp16-20p

Palabras clave:

Sistema Cognitivo, Descomposición en Valores Singulares (SVD), Probabilidad de detección (Pd), Estimador de Máxima Verosimilitud (MLE), Distribución de Probabilidad Acumulada (CDF)

Resumen

En este trabajo, el desempeño de tres métodos de detección de señales de usuario primario son comparados, el método de detección por descomposición en valores singulares (SVD), el método de detección por descomposición en valores propios (EVD) y el método de detección Ciclostacionario (CDM). Estos tres métodos son comparados en términos de Probabilidad de detección (Pd) vs relación señal-ruido (SNR), en una red cognitiva basada en las tecnologías móviles WiFi y LTE. Los resultados numéricos de los tres métodos son Comparison of spectrum detection methods applied to cognitive mobile radio networksobtenidos a través de simulaciones numéricas y para verificar la eficiencia de los mismos, el estimador estadístico de Máxima Verosimilitud (MLE) es usado, en conjunto con la desviación estándar (SD) y el error estándar (SE) de los datos, obteniendo funciones de distribución acumuladas (CDF) para cada uno de los métodos analizados, demostrando que el método SVD en el sistema evaluado, superó a los otros métodos en términos de Pd.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] B. Shahrasbi, N. Rahnavard, and A. Vosoughi, “Cluster-cmss: A clusterbased coordinated spectrum sensing in geographically dispersed mobile cognitive radio networks,” IEEE Transactions on Vehicular Technology, vol. 66, no. 7, July 2017, pp. 6378–6387, ISSN 1939-9359.
[2] N. Muchandi and R. Khanai, “Cognitive radio spectrum sensing: A survey,” In: 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT), edit. IEEE, Chennai India, March 2016, pp. 3233–3237, ISBN 978-1-4673-9939-5.
[3] V. M. Patil and S. R. Patil, “A survey on spectrum sensing algorithms for cognitive radio,” In: 2016 International Conference on Advances in Human Machine Interaction (HMI), edit. IEEE, Doddaballapur India, March 2016, pp. 1–5, ISBN 978-1-4673-8810-8.
[4] X. Liu, Y. Zhang, Y. Li, Z. Zhang, and K. Long, “A survey of cognitive radio technologies and their optimization approaches,” In: 2013 8th International Conference on Communications and Networking in China (CHINACOM), edit. IEEE, Guilin China, Aug 2013, pp. 973–978, ISBN 978-1-4799-1406-7.
[5] R. Verma and A. Mahapatro, “Cognitive radio: Energy detection using wavelet packet transform for spectrum sensing,” In: 2017 Third International Conference on Advances in Electrical, Electronics, Information, Communication and Bio-Informatics (AEEICB), edit. IEEE, Chennai India, Feb 2017, pp. 168–172, ISBN 978-1-5090-5434-3.
[6] Z. Liu, R. Ali, I. Khan, I. A. Khan, and A. A. Shah, “Performance comparison of energy and cyclostationary spectrum detection in cooperative cognitive radios network,” In: 2016 IEEE International Symposium on Circuits and Systems (ISCAS), edit. IEEE, Montreal QC Canada, May 2016, pp. 1734–1737. ISBN 978-1-4799-5341-7.
[7] S. M. Jacob and N. S., “Spectrum sensing technique in cognitive radio based on sample covariance matrix,” In: 2015 International Conference on Control, Instrumentation, Communication and Computational Technologies (ICCICCT), edit. IEEE, Kumaracoil India, Dec. 2015, pp. 139–144, ISBN 978-1-4673-9825-1.
[8] S. Xu, K. S. Kwak, and R. R. Rao, “Svd based wideband spectrum sensing and carrier aggregation for lte-advanced networks,” In: 2014 IEEE 25th Annual International Symposium on Personal, Indoor, and Mobile Radio Communication (PIMRC), edit. IEEE, Washington DC USA, Sep. 2014, pp. 1190–1194, ISBN 978-1-4799-4912-0.
[9] S. S. Ali, C. Liu, and M. Jin, “Minimum eigenvalue detection for spectrum sensing in cognitive radio,” International Journal of Electrical and Computer Engineering, vol. 4, no. 4, Aug. 2014, pp. 623–630, ISSN 2088-8708.
[10] P. Palacios, A. Castro, C. Azurdia-Meza, and C. Estevez, “Svd detection analysis in cognitive mobile radio networks,” In: 2017 Ninth International Conference on Ubiquitous and Future Networks (ICUFN), edit. IEEE, Milan Italy, July 2017, pp. 222–224, ISBN 978-1-5090-4749-9.
[11] P. S. Yawada and A. J. Wei, “Cyclostationary detection based on non-cooperative spectrum sensing in cognitive radio network,” In: 2016 IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems (CYBER), edit. IEEE, Chengdu China, June 2016, pp. 184–187, ISBN 978-1-5090-2733-0.
[12] Sphinx, ns-3 Model Library, Release ns-3.23, Linux Ubuntu 14.04, C++, August 13, 2015. [Online], Available: https://www.nsnam.org/docs/release/3.23/models/ns- 3-model-library.pdf
[13] M. H. Omar, S. Hassan, and S. A. Nor, “Eigenvalue-based signal detectors performance comparison,” In: The 17th Asia Pacific Conference on Communications, edit. IEEE, Sabah Malaysia, Oct 2011, pp. 1–6, ISBN 978-1-4577-0390-4.
[14] A. A. Thomas and T. Sudha, “Primary user signal detection in cognitive radio networks using cyclostationary feature analysis,” In: 2014 IEEE National Conference on Communication, Signal Processing and Networking (NCCSN), edit. IEEE, Palakkad India, Oct 2014, pp. 1–5, ISBN 978-1-4799-6646-2.
[15] T. Wang, L. Song, Z. Han, and W. Saad, “Overlapping coalitional games for collaborative sensing in cognitive radio networks,” In: 2013 IEEE Wireless Communications and Networking Conference (WCNC), edit. IEEE, Shanghai China, Apr. 2013, pp. 4118–4123 ISBN 978-1-4673-5939-9.
[16] M. Gerasimenko, N. Himayat, S. p. Yeh, S. Talwar, S. Andreev, and Y. Koucheryavy, “Characterizing performance of load-aware network selection in multi-radio (wifi/lte) heterogeneous networks,” In: 2013 IEEE Globecom Workshops (GC Wkshps), edit. IEEE, Atlanta GA USA, Dec. 2013, pp. 397–402, ISBN 978-1-4799-2851-4.
[17] I. C. Ramírez, C. J. Barrera, and J. C. Correa, “Efecto del tamaño de muestra y el número de réplicas bootstrap,” Ingeniería y Competitividad, vol. 15, no. 1, Apr. 2013, pp. 93–101, ISSN 0123-3033.
[18] U. M. Alfonso and M. V. Carla, Modelado y simulación de eventos discretos, edit. UNED, 2013, ISBN 978-84-362-6781-5.
[19] L. Held and D. Sabanés Bové, Applied statistical inference, vol. 10, edit. Springer, 2014, ISBN 978-3-642-37886-7.
[20] R. C. Team, R: A language and environment for statistical
Computing, edit. Vienna: R Foundation for Statistical Computing, 2014, ISBN 3-900051-07-0, Available: www.R-project.org.

Descargas

Publicado

2018-06-29
Estadísticas
Resumen 528

Cómo citar

Palacios Játiva, P. G., & Saavedra Arancibia, C. A. (2018). Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva. Journal of Science and Research, 3(10), 16–20. https://doi.org/10.26910/issn.2528-8083vol3iss10.2018pp16-20p

Número

Sección

Artículo de Investigación