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 HannoverInstitut für Kommunikationstechnik

Kolloquium

Herleitung des optimalen Detektors für Spectrum 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, Krefeldmaximal 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

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


Spectrum Sensing

Ziel 1: Obergrenze für probability of false alarmmindeste Auslastung des Spektrums

Ziel 2: maximale probability of detectionwenig Interferenz SU und PU


Spectrum Sensing

Ziel 1: Obergrenze für probability of false alarmmindeste Auslastung des Spektrums

Ziel 2: maximale probability of detectionwenig Interferenz SU und PU

Mittel: Neyman-Pearson Detektor

Bedingungen: Rauschunsicherheit und Korrelationii xf )(


Spectrum Sensing

Widrige Bedingung: Noise Uncertainty• nichtideales thermisches Rauschen• Nichtlinearitäten• Filterungen• unbeabsichtige Signale von außen

GenaueRauschverteilung

unbekannt!


Spectrum Sensing

Widrige Bedingung: Noise Uncertainty• nichtideales thermisches Rauschen• Nichtlinearitäten• Filterungen• unbeabsichtige Signale von außen

GenaueRauschverteilung

unbekannt!


Hergeleitete Detektoren



Detektor 1:

Schwellwertausdruck bekannt

N

iixp

1

2



Detektor 1:


Detektor 2:

N

iixp

1

2

xIxx ns

TN

ii

n

12

1

222

1



Detektor 1:


Detektor 2:

N

iixp

1

2

xIxx ns

TN

ii

n

12

1

222

1

Energie



Detektor 1:


Detektor 2:

Schwellwertausdruck unbekannt

N

iixp

1

2

xIxx ns

TN

ii

n

12

1

222

1

Energie Korrelation



Detektor 3:

Noise Uncertainty Model: sondern

N

iixp

1

2

n 1

,1

Nfn

.constn



Detektor 3:

Noise Uncertainty Model: sondern

N

iixp

1

2

n 1

,1

Nfn

.constn

211

21 42

221

3 ccerfcc

cc

eecpf

ccc

o



Detektor 4: Rauschunsicherheit und Korrelation




Annahme 1:

1

1

1

1

21

2

1

2

NNN

N

N

ppp

ppp

ppp

ppp

'2sns SNR

SNRn2

Korrelation




Annahme 1:

1

1

1

1

21

2

1

2

NNN

N

N

ppp

ppp

ppp

ppp

'2sns SNR

SNRn2

n 1

Korrelation




Annahme 2: Eigendekomposition der Samples

N

iin

N

ii

yR

yB

RB

RB

B

B

1

2

1

20

020

2

020

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

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 Energie ix 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

MatrixoperationenRauschunsicherheit:

• 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

Engineering