[논문 리뷰] Compressive Wideband Spectrum Sensing for Fixed Frequency Spectrum Allocation

Yipeng Liu, Qun Wan|arXiv (Cornell University)|2010. 05. 11.

Sparse and Compressive Sensing Techniques참고 문헌 22인용 수 12

한 줄 요약

이 논문은 인지 방송에서 알려진 고정 주파수 할당 경계를 사전 지식으로 활용하여 스펙트럼 추정을 향상시키는 압축 광대역 스펙트럼 감지 방법을 제안한다. 혼합 l2/l1 노름 노이즈 제거 연산자(MNDO)를 도입하여 정의된 스펙트럼 블록 내 국소적 희박성을 강제함으로써, 샘플링 속도가 뉴이스트 속도 이하인 상황에서도 표준 l1-노름 방법보다 뛰어난 정확도와 노이즈 제거 성능을 달성한다.

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.

연구 동기 및 목표

• 광대역 스펙트럼 감지에서 높은 샘플링 속도의 한계를 해결하기 위해.
• 고정 주파수 스펙트럼 할당 경계의 사전 지식을 활용하여 스펙트럼 추정을 향상시키기 위해.
• 할당된 대역 내 국소적 희박성을 촉진하면서도 전반적인 희박성을 유지하는 노이즈 제거 프레임워크를 개발하기 위해.
• 압축 감지 기반으로 샘플링 부담을 줄이면서도 높은 추정 정확도를 유지하기 위해.
• 고정 스펙트럼 할당 조건 하에서 광대역 스펙트럼 감지의 노이즈에 대한 강건성을 향상시키기 위해.

제안 방법

• 해당 방법은 광대역 신호의 서브뉴이스트 랜덤 샘플링을 수행하기 위해 아날로그-정보 컨버터(AIC)를 사용한다.
• 알려진 주요 사용자 주파수 대역에 대응하는 블록으로 분할된 전력 스펙트럼 밀도(PSD) 벡터에 대해 혼합 l2/l1 노름 노이즈 제거 연산자(MNDO)를 도입한다.
• 각 블록 내에서 l2 노름을 최소화하여 에너지의 국소적 군집화를 장려하고, 전체 l1 노름을 통해 전반적인 희박성을 촉진한다.
• 노이즈 환경에서의 노이즈 제거 성능 향상을 위해 유연한 제약 조건을 적용한다.
• 압축 측정치로부터 PSD 벡터를 추정하기 위해 최적화 문제를 해결한다.
• 알려진 스펙트럼 경계를 활용하여 희박성 패턴을 구조화함으로써 재구성 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 고정 주파수 할당에 대한 사전 지식이 압축 광대역 스펙트럼 감지의 정확도를 향상시킬 수 있는가?
• RQ2 할당된 대역 내 국소적 희박성 강제가 스펙트럼 추정 성능에 어떤 영향을 미치는가?
• RQ3 혼합 l2/l1 노름 노이즈 제거 연산자(MNDO)가 노이즈가 많은 광대역 감지에서 표준 l1-노름 최소화보다 우수한가?
• RQ4 서브뉴이스트 샘플링을 통해 어느 정도 샘플링 속도를 줄일 수 있으며, 안정적인 스펙트럼 감지를 유지할 수 있는가?
• RQ5 제안된 방법은 기존의 희박 복구 기법과 비교해 노이즈에 대해 어떻게 대응하는가?

주요 결과

• 제안된 MNDO 방법은 표준 l1-노름 최소화보다 더 높은 스펙트럼 추정 정확도를 달성한다.
• 유연한 제약 조건과 블록 단위의 l2 정규화 덕분에 뛰어난 노이즈 제거 능력을 보인다.
• 시뮬레이션 결과는 정확도와 노이즈에 대한 강건성 향상이 확인된다.
• 뉴이스트 레이트 이하에서 작동함으로써 샘플링 요구량을 효과적으로 줄인다.
• 알려진 스펙트럼 경계의 통합이 재구성 정밀도를 크게 향상시킨다.
• 혼합 l2/l1 노름 구조는 할당된 대역 내 국소적 에너지 집중을 성공적으로 캡처한다.