[論文レビュー] Spectrum Sensing for Cognitive Radio Using Kernel-Based Learning

Shujie Hou, Robert C. Qiu|arXiv (Cornell University)|May 15, 2011

Cognitive Radio Networks and Spectrum Sensing参考文献 16被引用数 17

ひとこと要約

本稿では、非ガウス的かつ非線形な信号環境における検出性能を向上させるために、カーネル主成分分析（カーネルPCA）およびカーネル一般尤度比検定（カーネルGLRT）を用いたカーネルベースのスペクトラムセンシングを提案する。カーネル関数を用いて信号を高次元の特徴空間にマッピングすることにより、従来のPCAおよびGLRTと比較して検出感度が4 dB向上し、実世界のDTV信号においても安定性が向上する。

ABSTRACT

Kernel method is a very powerful tool in machine learning. The trick of kernel has been effectively and extensively applied in many areas of machine learning, such as support vector machine (SVM) and kernel principal component analysis (kernel PCA). Kernel trick is to define a kernel function which relies on the inner-product of data in the feature space without knowing these feature space data. In this paper, the kernel trick will be employed to extend the algorithm of spectrum sensing with leading eigenvector under the framework of PCA to a higher dimensional feature space. Namely, the leading eigenvector of the sample covariance matrix in the feature space is used for spectrum sensing without knowing the leading eigenvector explicitly. Spectrum sensing with leading eigenvector under the framework of kernel PCA is proposed with the inner-product as a measure of similarity. A modified kernel GLRT algorithm based on matched subspace model will be the first time applied to spectrum sensing. The experimental results on simulated sinusoidal signal show that spectrum sensing with kernel PCA is about 4 dB better than PCA, besides, kernel GLRT is also better than GLRT. The proposed algorithms are also tested on the measured DTV signal. The simulation results show that kernel methods are 4 dB better than the corresponding linear methods. The leading eigenvector of the sample covariance matrix learned by kernel PCA is more stable than that learned by PCA for different segments of DTV signal.

研究の動機と目的

• 線形手法を超えた非線形信号構造を活用することで、認知無線におけるスペクトラムセンシング性能を向上させること。
• 従来のPCAベースのスペクトラムセンシングには線形構造を仮定するという限界があり、非ガウス的または複雑な信号では性能が劣ることがあるという問題を解決すること。
• 明示的なマッピングを伴わずに、PCAおよびGLRTを非線形特徴空間へ拡張するカーネル手法を導入し、耐障害性および検出精度を向上させること。
• シミュレーテッド正弦波信号および実世界のDTV信号の両方を用いて、提案手法の性能向上を検証すること。
• 動的環境における一貫性ある検出を実現するために、カーネルPCAを用いた信号セグメント間での主要固有ベクトルの安定性および類似性を調査すること。

提案手法

• カーネル関数を用いて、主ユーザ信号のサンプルを高次元の特徴空間に暗黙的にマッピングするカーネルPCAを採用し、特徴マップの明示的計算を回避する。
• 特徴空間における主要固有ベクトルの内積を類似度測度として用い、直接的な固有ベクトル計算の代わりにスペクトラムセンシングに活用する。
• マッチドサブスペースモデルに基づくカーネル一般尤度比検定（カーネルGLRT）を適用し、特徴空間における完全な同一射影を仮定する。
• カーネルPCAには2次多項式カーネル（$ c=1 $）を、カーネルGLRTには$ \\sigma = \frac{0.5}{\sqrt{2}} $を用いたガウスカーネルを採用する。
• 特徴空間における標本共分散行列を計算し、主要固有ベクトルを抽出することで検出統計量を生成する。
• 固定の誤警報率（$ P_f = 10\% $）下での受信者操作特性（ROC）曲線および検出率対SNRプロットを用いて、検出性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 非ガウス的信号環境において、カーネルベースの手法は線形PCAおよびGLRTと比較してスペクトラムセンシング性能を向上させることができるか？
• RQ2 特に実世界のDTV信号において、カーネルPCAは異なる信号セグメント間で主要固有ベクトルの安定性をどのように向上させるか？
• RQ3 複雑または非ガウス的分布を示す信号を検出する際、カーネルGLRTは従来のGLRTをどの程度上回るか？
• RQ4 カーネル関数の選定およびそのパラメータが検出性能に顕著な影響を及ぼすか、最適選択を自動化できるか？
• RQ5 信号分布の統計的知識が限られる状況において、カーネルベースの部分空間検出手法はエネルギー検出（EC）を凌駕できるか？

主な発見

• カーネルPCAは、シミュレーテッド正弦波信号および実世界のDTV信号の両方において、線形PCAと比較して約4 dBの検出性能向上を達成する。
• カーネルPCAは、異なる信号セグメント間で主要固有ベクトルの類似度が高く維持され、DTV信号では類似度が常に0.94を超えるという高い安定性を示す。
• カーネルGLRTは、DTV信号の検出において従来のGLRTと比較して4 dBの性能向上を達成しており、非ガウス的特性への耐性が向上していることが示唆される。
• カーネルベースの手法は、信号統計の正確な事前知識を仮定するエネルギー検出（EC）と同等の性能を発揮できる。
• 分布がガウスに近い信号（例：DTV）ではカーネルGLRTがECを上回らないが、依然としてGLRTを著しく上回る。
• カーネル手法による性能向上は、カーネル関数を用いた特徴空間への非線形信号構造の暗黙的マッピングによるものであると帰属される。