[論文レビュー] Demonstration of Spectrum Sensing with Blindly Learned Feature

Peng Zhang, Robert C. Qiu+1 more|arXiv (Cornell University)|Feb 24, 2011

Blind Source Separation Techniques参考文献 6被引用数 5

ひとこと要約

本論文は、認知無線におけるスペクトラムセンシングにおいて、信号共分散行列の主固有ベクトルを学習された局所的特徴として用いる、ブラインド特徴学習アルゴリズム（FLA）と特徴テンプレートマッチング（FTM）検出器を提案する。ソフトデフォームウェア無線（SDR）プラットフォームに実装されたFTMは、ブラインドCAV検出器と比較して約3 dBの検出性能向上を達成し、信号パラメータの事前知識がなくても、学習された特徴が感知精度を顕著に向上させられることを示している。

ABSTRACT

Spectrum sensing is essential in cognitive radio. By defining leading extit{eigenvector} as feature, we introduce a blind feature learning algorithm (FLA) and a feature template matching (FTM) algorithm using learned feature for spectrum sensing. We implement both algorithms on Lyrtech software defined radio platform. Hardware experiment is performed to verify that feature can be learned blindly. We compare FTM with a blind detector in hardware and the results show that the detection performance for FTM is about 3 dB better.

研究の動機と目的

• 低SNR、ノイズの不確実性、未知のチャネルが存在する認知無線におけるスペクトラムセンシングの課題に対処すること。
• 主ユーザ信号の事前知識なしに、信号特徴をブラインドで学習する手法を開発すること。
• 信号共分散行列の主固有ベクトルを頑健な局所的特徴として用いることで、検出性能を向上させること。
• 提案されたアルゴリズムを実世界のSDRハードウェアプラットフォームに実装・検証すること。

提案手法

• 受信信号の標本共分散行列の主固有ベクトルを、非白色WSS信号において安定的でノイズに強い特徴として定義する。
• 類似度に基づくしきい値付き類似度指標を用いて、連続するセンシングセグメント間の類似度を測定することで、信号特徴を推定するブラインド特徴学習アルゴリズム（FLA）を提案する。
• 学習された主固有ベクトルを事前知識として用いることで検出性能を向上させる、特徴テンプレートマッチング（FTM）検出器を開発する。
• FTM検出器は、受信信号ベクトルを学習済み特徴ベクトルに射影するテスト統計量を計算し、低SNR下での検出を強化する。
• FLA、FTM、CAVの各アルゴリズムを、共分散計算にはFPGA、固有ベクトルおよびテスト統計量計算にはDSPを用いて、Lyrtech SDRプラットフォームに実装する。
• 計算複雑度を低減するため、高速PCA（FPCA）を採用し、N=32およびNs=2^20の条件下でリアルタイム実装を可能にする。

実験結果

リサーチクエスチョン

• RQ1 実時間で動作するハードウェア実装された認知無線システムにおいて、信号共分散行列の主固有ベクトルをブラインドで学習可能か？
• RQ2 事前知識なしに学習された信号特徴を事前知識として用いることで、完全にブラインドな検出器と比較してスペクトラムセンシング性能が向上するか？
• RQ3 シミュレーションおよびハードウェア両方において、提案されたFTM検出器の検出性能は、理論的上限（EC）および下限（MME/CAV）と比較してどのように異なるか？
• RQ4 非視線（NLOS）屋内環境において、学習済み特徴を用いることで、ブラインド検出と比較してどの程度のSNR性能向上が達成可能か？
• RQ5 実世界の環境において、時間経過および異なる伝搬条件下でも、学習済み特徴は安定性を保てるか？

主な発見

• 信号共分散行列の主固有ベクトルは、低SNRおよび未知のチャネル条件下でも、リアルタイムでブラインドで学習可能であり、安定的で頑健な特徴であることが確認された。
• ハードウェア実験では、最初のセグメントと最後のセグメントの特徴間の類似度が94.3%に達し、NLOS屋内環境下で20秒間にわたり特徴の安定性が裏付けられた。
• FTM検出器は、ブラインドCAV検出器と比較して3 dBの検出性能向上を達成し、100%検出確率に到達するには受信電力が-119 dBmで十分だったのに対し、CAVでは-116 dBmが必要であった。
• シミュレーション結果では、FTMの性能は理論的上限（EC）と下限（MME/CAV）の間にあることが示され、FTMは100%検出確率に到達するのに-18 dB SNRを要したが、MME/CAVは-16 dB SNRで同様の性能を達成した。
• Fast-PCAを用いた実装により、固有ベクトル計算の計算時間が20 ms未満で実現され、実世界のSDRへの実装可能性が実証された。