[論文レビュー] Compressive Wideband Spectrum Sensing for Fixed Frequency Spectrum Allocation

Yipeng Liu, Qun Wan|arXiv (Cornell University)|May 11, 2010

Sparse and Compressive Sensing Techniques参考文献 22被引用数 12

ひとこと要約

本稿は、認知無線における広帯域スペクトルセンシングのための圧縮広帯域スペクトルセンシング手法を提案する。既知の固定周波数割り当て境界を事前知識として活用することで、スペクトル推定の精度を向上させる。混合l2/l1ノルムノイズ除去演算子（MNDO）を導入し、事前に定義されたスペクトルブロック内での局所的スパarsityを強制することで、サブ・ナイキストレートでのサンプリングにおいて、標準的なl1ノルム手法よりも優れた精度とノイズ除去性能を達成する。

ABSTRACT

Too high sampling rate is the bottleneck to wideband spectrum sensing for cognitive radio (CR). As the survey shows that the sensed signal has a sparse representation in frequency domain in the mass, compressed sensing (CS) can be used to transfer the sampling burden to the digital signal processor. An analog to information converter (AIC) can randomly sample the received signal with sub-Nyquist rate to obtained the random measurements. Considering that the static frequency spectrum allocation of primary radios means the bounds between different primary radios is known in advance, here we incorporate information of the spectrum boundaries between different primary user as a priori information to obtain a mixed l2/l1 norm denoising operator (MNDO). In the MNDO, the estimated power spectrum density (PSD) vector is divided into block sections with bounds corresponding different allocated primary radios. Different from previous standard l1-norm constraint on the whole PSD vector, a sum of the l2 norm of each section of the PSD vector is minimized to encourage the local grouping distribution while the sparse distribution in mass, while a relaxed constraint is used to improve the denoising performance. Simulation demonstrates that the proposed method outperforms standard sparse spectrum estimation in accuracy, denoising ability, etc.

研究の動機と目的

• 広帯域スペクトルセンシングにおける高いサンプリングレートのボトルネックを解消すること。
• 固定周波数スペクトル割当境界の事前知識を活用してスペクトル推定を向上させること。
• 割り当てられたバンド内での局所的スパarsityを促進するとともに、グローバルスパarsityを維持するノイズ除去フレームワークを開発すること。
• 圧縮センシングを用いてサンプリング負荷を軽減しながら、高い推定精度を維持すること。
• 固定スペクトル割当下での広帯域スペクトルセンシングにおけるノイズへのロバストネスを向上させること。

提案手法

• 本手法は、広帯域信号のサブ・ナイキストレートでのランダムサンプリングを実行するアナログ・トゥ・インフォメーション・コンバータ（AIC）を用いる。
• 既知のプライマリユーザー周波数バンドに対応するブロックに分割されるパワー・スペクトル密度（PSD）ベクトルを対象とする、混合l2/l1ノルムノイズ除去演算子（MNDO）を導入する。
• 各ブロック内でl2ノルムを最小化することで、エネルギーの局所的凝集を促進し、全体のl1ノルムによってグローバルスパarsityを促進する。
• ノイズ環境下でのノイズ除去性能を向上させるために、緩和された制約を適用する。
• 最適化問題を解いて、圧縮測定値からPSDベクトルを推定する。
• 既知のスペクトル境界を活用してスパarsityパターンを構造化することで、再構成の忠実度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 固定周波数割当の事前知識が、圧縮広帯域スペクトルセンシングの精度を向上させ得るか？
• RQ2 割り当てられたバンド内での局所的スパarsityの強制が、スペクトル推定性能に与える影響は何か？
• RQ3 混合l2/l1ノルムノイズ除去演算子（MNDO）は、ノイズの多い広帯域センシングにおいて、標準的なl1ノルム最小化を上回る性能を示すか？
• RQ4 サブ・ナイキストレートでのサンプリングは、信頼性のあるスペクトルセンシングを維持しつつ、どの程度サンプリングレートを低減できるか？
• RQ5 提案手法は、従来のスパース回復技術と比較して、ノイズに対してどの程度良好に動作するか？

主な発見

• 提案されたMNDO手法は、標準的なl1ノルム最小化よりも高いスペクトル推定精度を達成する。
• 緩和された制約とブロック単位のl2正則化のおかげで、優れたノイズ除去能力を示す。
• シミュレーション結果は、精度とノイズ耐性の両面で性能向上を確認している。
• 本手法は、ナイキストレート未満で動作することで、サンプリング要件を効果的に低減している。
• 既知のスペクトル境界の組み込みが、再構成忠実度を顕著に向上させている。
• 混合l2/l1ノルム構造は、割り当てられたバンド内でのエネルギー集中を効果的に捉えている。