WIDEBAND SPECTRUM SENSING PADA COGNITIVE RADIO DENGAN PENDEKATAN

SUB-NYQUIST SAMPLING

Chaeriah WaelNRP. 2210203005

PEMBIMBING:Dr. Ir. Wirawan, DEA

Ujian Tesis - 5 Juli 2012ITS - Surabaya

Latar Belakang

Spectrum Sensing

Wideband Spectrum sensing

Cognitive Radio

- Keterbatasan spektrum- Utilitas spektrum

berlisensi yang rendah

Signal spaceLebar

Practicalmudah

Sampling raterendah

- Semakin lebar frekuensi monitor, efisiensispektrum semakin tinggi

- Frekuensi operasi yang lebar membutuhkan ADCresolusi dan laju sampling yang tinggi jugadynamic range yang lebar.

2

Tujuan Penelitian

Melihat kinerja sub-Nyquist sampling dengan metode MWC pada proses rekonstruksi sinyal dengan noise AWGN serta pengaruhnya dalam menurunkan laju sampling.

Melihat perbandingan kinerja sistem thresholding CFAR dan algoritma DA (Devided-Average) yang diterapkan pada deteksi energi.

Melihat perbandingan kinerja teknik wideband spectrum sensing dengan deteksi energi dan dengan pendekatan sub-Nyquistsampling.

3

Cognitive Radio

Cognitive cycle

Channel Capacity

Primary User Detection

RF Stimuli

Spectrum HoleSpectrumSharing

SpectrumSensing

SpectrumDecision

Radio Environment

SpectrumMobility

Decision Request

Transmitted SignalWe are here!

4

Spectrum Sensing

Tujuan :

Memonitor band spektrum,

capture informasi band

spektrum dan mendeteksi

spectrum hole.

5

Spectrum Sensing

Teknik spektrum sensing :

Spectrum Sensing

Cooperative detection

Interference-based detection

Energy detection

Matched filter detection

Cyclostationary feature

detection

Primary Transmitter detection

Primary Receiver detection

Metode lain

6

Analog Vs Digital DigitalAnalogContinuous signal

ReconstructionD2ASamplingA2D

7

Metode Sampling Klasik

Nyquist1928 Shannon1949Kotelnikov1933Whittaker1915

Suatu sinyal pita terbatas dengan lebar m memerlukan laju sampling minimum sebesar 2m agar sinyal tersebut dapat direkonstruksi kembali secara eksak.

8

Compressive Sensing

Voice recorder Camera Medical imaging

Analog signal

ADC

Digital domain

Compress~1:10

De-Compress DAC

Analog signal

Nyquist rate

Can we not just directly measure the part that will not end up being thrown away ?

Donoho, 069

Compressive Sensing

Nyquist rateSampling

Compression(e.g. MP3)

High-rate

AnalogAudioSignal Low-rateCompressed

Sensing

D

10

Sub-Nyquist Sampling

Sub-Nyquist sampling memungkinkan laju sampling dibawah Nyquist rate

Metode Sub-Nyquist sampling : Periodic Non-uniform Sampling (PNS) Random Demodulator (RD) Modulated Wideband Converter (MWC)

11

Metodologi Penelitian

Kesimpulan

Pemodelan wideband spectrum sensing (WSS)

Desain MWC Recovery sinyal Deteksi spektrum

kosong

Skenario (2)

WSS dengan deteksi energi

Perbandingan kinerja

Analisa kinerja sistem

Skenario (1)

WSS dengan Sub-NyquistSampling

Kinerja MWC Kinerja Deteksi

Analisa kinerja sistem

12

Model Sistem

Skenario 1 :

Skenario 2

Blok MWC

13

Informasispectrum hole

Blok MWCInformasispectrum holeDeteksi Energi

Model Sinyal

f1 f2 0 fN fmax0

fN-1

=

=N

iii tfBtcBEtx

1

)2(cos)(sin)(

14

Blok MWC Sampling

x(t)

yL[n]

y1[n]

p1(t)

Pm(t)

t = nTs

h(t)

h(t)

zM[n]

z1[n]

CTFCS

AmxMm < M

Estimasi spektral

Deteksi

energi

15

MWC Sampling

x(t)

p1(t)

h(t)

t = nTs

y1[n]

h(t)

pi(t)

yi[n]

h(t)

pm(t)

ym[n]

Mixing function pi(t)

16

Ekivalen MWC Sampling

S

50 100 150

102030

F (magnitude)

50 100 150

50

100

150

matriks sensing A (magnitude)

50 100 150

102030

matriks Q (magnitude)

10 20 30

10

20

30

A

17

Rekonstruksi Sinyal

Q = VVH V = AU S = supp(U0)

Blok CTF

][][=

-=n

nynyQ T

y(f) = Az(f) V = AUkontinyu finite

Analog back-end

Proses realtime

Recovery support

][

][=][

1

ny

nyny

m

)( tx

18

Deteksi Spektrum Kosong & Recovery

CTF Hitung matriks korelasi R Dekomposisi R = VVH

Selesaikan persamaan linear (MMV) : V = AU untuk memperoleh solusi yang paling sparse dari U0

Himpunan indeks spektral adalah k = I(U0), dimana I(U0) adalah support dari U0 yang menunjukkan baris U0 yang tidak nol

Algoritma 3.1 : OMPInisialisasi : Iterasi (t) = {}, Residual (r) = V, support (S) = {}Input : jumlah iterasi, thresholdDiulangi sampai memenuhi kriteria untukberhenti :- Proses matcing : - Update support dan Ait :

- Least square

- Update residu : rt = V - AUtStop jika :- Iterasi = jumlah iterasi yang diinputkan- threshold

19

Deteksi Energi

20

Deteksi energi dalam domain frekuensi :

Model BHT :

Tes Statistik :

H0 / H1N-point FFT | . |2

Pengaturan nilai threshold

)( kx

Deteksi Energi

21

Decision rule :

Threshold (Algoritma DA) :

Threshold (Algoritma CFAR) :

Dengan adalah inverse cdf chi-square dengan derajat kebebasan 2J

Deteksi Energi Model BHT :

Tes statistik :

Decision rule :

Threshold (algoritma DA):

22

Analisa Performansi Deteksi Energi

Pd dan Pf simulasi :

Dengan

23

Parameter Simulasi Sinyal PU aktif : 3 Parameter Sampling

Parameter Nilai

Lebar frekuensi monitoring 0 5 GHz

fNyq 10 Ghz

Jumlah subband (L) 195 subband

fp fNyq / jumlah subband = 10/195

= 51,28 MHz

fs = fpL0 97

M 195

m (jumlah kanal) 16, 30, 50 kanal 24

Performansi Rekonstruksi Sinyal

Sukses Recovery vs. Jumlah kanal

Sukses recovery :

Rekonstruksi secara sempurna

dicapai dengan jumlah kanal di atas

30, untuk 3 PU aktif

10 20 30 40 50 60 70 80 90 1000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

jumlah kanal

suks

es re

cove

ry

Sukses recovery Vs. jumlah kanal, PU aktif = 3

SNR = -5dBSNR = 10dBSNR = 20dB

25

Performansi Rekonstruksi Sinyal

Sukses Recovery vs. SNR

Sukses rekonstruksi dapat

ditingkatkan pada SNR rendah

dengan menambah jumlah kanal

atau jumlah sampel

-20 -15 -10 -5 0 5 10 15 200

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

SNR

suks

es re

cove

ry

Sukses recovery Vs. SNR, PU aktif = 3

m = 16m = 30m = 50

26

Performansi Rekonstruksi Sinyal

Sukses Recovery vs. SNR & jumlah kanal

Recovery support sinyal sempurna

pada SNR 5 dB untuk hampir semua

jumlah kanal

Pada SNR -5 dB, recovery secara

sempurna terjadi pada jumlah kanal di

atas 50

27

Performansi Rekonstruksi Sinyal

28

MSE vs. Jumlah kanal

Semakin besar jumlah kanal

berarti jumlah sampel lebih

banyak. Dengan jumlah sampel

lebih banyak, error

rekonstruksi semakin kecil

sehingga nilai MSE juga

semakin kecil. Semakin tinggi

SNR, maka MSE semakin kecil.20 25 30 35 40 45 50

0

0.5

1

1.5

2

2.5

jumlah kanal/m

MS

E

SNR = -5dBSNR = 0dBSNR = 5dBSNR = 10dB

28

Performansi Sub-Nyquist Sampling Detector

Nilai Pd meningkat seiring dengan meningkatnya SNR. Pada SNR = -5 dB, Pd bernilai 1 yang berarti proses deteksi telah dilakukan secara sempurna. Di lain pihak, nilai Pf akan menurun seiring dengan meningkatnya SNR

-10 -8 -6 -4 -2 0 2 4 6 8 100.82

0.84

0.86

0.88

0.9

0.92

0.94

0.96

0.98

1

SNR

Pd

-10 -8 -6 -4 -2 0 2 4 6 8 100.06

0.065

0.07

0.075

0.08

0.085

0.09

SNR

Pf

29

Performansi Energy Detector (CFAR)

30

-20 -15 -10 -5 0 5 10 15 20 25 300

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

SNR

Pd

Pf=0.02,6subbandPf=0.1,6subbandPf=1,6subbandPf=0.02,10subbandPf=0.1,10subbandPf=1,10subband

Pd cenderung konstan

untuk semua nilai SNR. Hal

ini menunjukkan bahwa

CFAR tidak optimal untuk

deteksi energi dengan range

frekuensi yang lebar dari

hasil sampling terkompresi.

Performansi Energy Detector (DA)

31

-20 -15 -10 -5 0 5 10 15 20 25 300

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

SNR

Pd

sparsity level=6/195sparsity level=10/195

-20 -15 -10 -5 0 5 10 15 20 25 300

0.02

0.04

0.06

0.08

0.1

0.12

SNR

Pf

sparsity level=6/195sparsity level=10/195

KriteriaSparsity level

6 10Pd 0.9 -3 dB 3 dBPf 0,1 -20 dB -18 dB

Sub-Nyquist Sampling vs. Energy Detector (DA)

32

SNR (dB)

SkenarioSNR (dB)

Skenario(1) (2) (1) (2)

Pd Pf Pd Pf Pd Pf Pd Pf-20 0.0695 0.0600 0.1783 0.1123 - - - - -

-190.0905

0.0591 0.1807 0.1123 60.9967

0.0024 10.064

7

-180.0823

0.0592 0.2062 0.1117 7 10.0024

10.064

1

-170.1057 0.0578

0.27000.1091

80.9967 0.0030

10.064

6

-160.1245 0.0565

0.30130.1095

9 10.0016

10.064

5

-15 0.12080.0570

0.33430.1087

10 10.0019

10.065

1

-140.1597 0.0547

0.42480.1051

11 10.0013

10.065

3

Kesimpulan

Proses recovery yang akurat dari sinyal yang tidak diketahui hendaknya memiliki derajat dependensi secara linear setiap kolom pada matriks yang direkonstruksi yang kecil. Recoverysecara sempurna (sukses recovery = 1) terjadi pada SNR = 5 dB untuk hampir semua setting jumlah kanal.

Proses deteksi energi dengan algoritma DA memberikan performansi yang lebih optimal daripada CFAR.

Rekomendasi IEEE 802.22 WRAN, yakni nilai Pd 0,9 dicapai pada SNR -3 dB untuk deteksi dengan MWC dan -9 dB untuk deteksi energi dengan algoritma DA. Keduanya dengan setting 6 subband aktif. untuk nilai Pf 0,1 dicapai pada SNR -20 untuk deteksi dengan MWC dan SNR -13 dB untuk deteksi energi dengan algoritma DA.

33

REFERENSI

34

[1] I. F. Akyildiz, W. Y. Lee, M. C. Vuran, and S. Mohanty, Next generation/dynamic spectrum access/cognitive radio wireless networks: a survey, Computer Networks Journal, vol. 50, no. 13, pp. 21272159, 2006.[2] A. Sahai and D. Cabric, A tutorial on spectrum sensing: Fundamental limits and practical challenges, in Proc. IEEE Int. Symposium on NewFrontier in Dynamic Spectrum Access Networks (DySPAN), Baltimore, MD, Nov. 2005.[3]Z. Tian and G.B Giannakis, Compressed sensing for wideband cognitive radios, IEEE International Conference on Acoustics, Speech and Signal Processing, vol. 4, pp. IV-1357-IV-1360, apr 2007.[4]Y. Hur, J. Park, W. Woo, K. Lim, C.-H. Lee, H. S. Kim, and J. Laskar, A wideband analog multi-resolution spectrum sensing technique for cognitive radio systems, in Proc. IEEE International Symposium on Circuits and Systems (ISCAS), Island of Kos, Greece, May 2006, pp. 4090-4093.[5] Z. Quan, S. Cui, A. H. Sayed, and H. V. Poor, Wideband spectrum sensing in cognitive radio networks, in Communications,2008. ICC 08. IEEE International Conference on, Beijing, May 2008, pp. 901-906.[6]R. Lopez-Valcarce and G. Vazquez-Vilar, Wideband spectrum sensing in cognitive radio: Joint estimation of noise variance and multiple signal levels, in Signal Processing Advances in Wireless Communications, 2009. SPAWC 09. IEEE 10th Workshop on, Perugia, Jun. 2009, pp. 96-100.[7] Y.L. Polo, Ying Wang, A. Pandharipande, and G. Leus, Compressive wide-band spectrum sensing, IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 2337-340, apr. 2009.[8]Moslem Rashidi, et.al., A wideband spectrum sensing method for cognitive radio using sub-nyquist sampling, arXiv 1010.2157v1, 2010, submitted for publication.[12]M. Mishali and Y. C. Eldar, From theory to practice: Sub-Nyquist sampling of sparse wideband analog signals, IEEE J. Sel. Topics Signal Process., vol. 4, no. 2, pp. 375391, Apr. 2010.[14]Y. C. Eldar, P. Kuppinger, and H Bolcskei, Block-Sparse Signals : Uncertainty Relations and Efficient Recovery, IEEE Trans. Signal Process., vol. 58, no. 6, June 2010.

Thank You

WIDEBAND SPECTRUM SENSING PADA COGNITIVE RADIO DENGAN PENDEKATAN SUB-NYQUIST SAMPLING Chaeriah WaelNRP. 2210203005 PEMBIMBING:Dr. Ir. Wirawan, DEA Ujian Tesis - 5 Juli 2012ITS - Surabaya Latar BelakangTujuan PenelitianCognitive RadioSpectrum SensingSpectrum SensingAnalog Vs DigitalMetode Sampling KlasikCompressive SensingCompressive SensingSub-Nyquist SamplingMetodologi PenelitianModel SistemModel SinyalBlok MWC SamplingMWC SamplingEkivalen MWC SamplingRekonstruksi SinyalDeteksi Spektrum Kosong & RecoveryDeteksi EnergiDeteksi EnergiDeteksi Energi Analisa Performansi Deteksi EnergiParameter SimulasiPerformansi Rekonstruksi SinyalPerformansi Rekonstruksi SinyalPerformansi Rekonstruksi SinyalPerformansi Rekonstruksi SinyalPerformansi Sub-Nyquist Sampling DetectorPerformansi Energy Detector (CFAR)Performansi Energy Detector (DA)Sub-Nyquist Sampling vs. Energy Detector (DA)KesimpulanREFERENSISlide Number 35