[논문 리뷰] Demonstration of Spectrum Sensing with Blindly Learned Feature

Peng Zhang, Robert C. Qiu외 1명|arXiv (Cornell University)|2011. 02. 24.

Blind Source Separation Techniques참고 문헌 6인용 수 5

한 줄 요약

이 논문은 인지 무선에서 스펙트럼 감지를 위한 블라인드 특징 학습 알고리즘(FLA)과 특징 템플릿 매칭(FTM) 검출기를 제안한다. 이 알고리즘들은 신호 공분산 행렬의 주성분 벡터를 학습된 국소적 특징으로 사용한다. 소프트웨어 정의 무선(SDR) 플랫폼에 구현된 FTM은 블라인드 CAV 검출기 대비 약 3 dB의 감지 성능 향상을 보이며, 신호 파arameter에 대한 사전 지식 없이도 특징을 블라인드로 학습함으로써 감지 정확도를 크게 향상시킬 수 있음을 입증한다.

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.

연구 동기 및 목표

• 낮은 신호 대 잡음비(SNR), 잡음 불확실성, 알려지지 않은 채널 조건 하에서 인지 무선의 스펙트럼 감지 문제를 해결하기 위해.
• 주요 사용자 신호의 사전 지식 없이도 신호 특징을 블라인드로 학습할 수 있는 방법을 개발하기 위해.
• 신호 공분산 행렬의 주성분 벡터를 강건하고 국소적인 특징으로 사용하여 감지 성능을 향상시키기 위해.
• 제안된 알고리즘을 실제 SDR 하드웨어 플랫폼에 구현하고 검증하기 위해.

제안 방법

• 수신 신호의 표본 공분산 행렬의 주성분 벡터를 신호 특징으로 정의하며, 이는 비백색 WSS 신호에서 안정성과 노이즈에 대한 강건성을 확보한다.
• 유사도 기반 유사도 측도를 사용하여 연속적인 감지 세그먼트 간의 유사도를 측정함으로써, 블라인드 특징 학습 알고리즘(FLA)을 제안한다.
• 학습된 주성분 벡터를 사전 지식으로 사용하여 감지 성능을 향상시키는 특징 템플릿 매칭(FTM) 검출기를 개발한다.
• FTM 검출기는 수신 신호 벡터를 학습된 특징 벡터에 투영하는 방식으로 검출 통계량을 계산함으로써, 낮은 신호 대 잡음비 조건에서도 감지 성능을 향상시킨다.
• FLA, FTM, CAV 알고리즘은 FPGA를 사용한 공분산 계산과 DSP를 사용한 고유벡터 및 검출 통계량 계산을 통해 Lyrtech SDR 플랫폼에 구현된다.
• 실시간 구현을 가능하게 하기 위해 계산 복잡도를 감소시키기 위해 Fast-PCA(FPCA)가 사용되며, N=32 및 Ns=2^20 조건에서 실시간 동작이 가능하다.

실험 결과

연구 질문

• RQ1 실시간으로 구현된 하드웨어 기반 인지 무선 시스템에서 신호 공분산 행렬의 주성분 벡터를 블라인드로 학습할 수 있는가?
• RQ2 사전 지식 없이 학습된 신호 특징을 사전 지식으로 사용할 경우, 완전히 블라인드 검출기 대비 스펙트럼 감지 성능이 향상되는가?
• RQ3 모의 실험과 하드웨어 실험 모두에서 제안된 FTM 검출기의 감지 성능이 이론적 상한선(EC)과 하한선(MME/CAV)과 비교해 어떻게 되는가?
• RQ4 비선형 시선(NLOS) 실내 환경에서 학습된 특징을 사용할 경우 블라인드 감지 대비 신호 대 잡음비(SNR) 성능 향상은 어느 정도인가?
• RQ5 실제 환경에서 시간이 지남에 따라 그리고 다양한 전파 조건 하에서도 학습된 특징이 안정성을 유지할 수 있는가?

주요 결과

• 신호 공분산 행렬의 주성분 벡터는 낮은 신호 대 잡음비와 알려지지 않은 채널 조건 하에서도 실시간으로 블라인드로 학습이 가능하며, 안정적이고 강건한 특징이다.
• 하드웨어 실험 결과, 첫 번째와 마지막 감지 세그먼트의 특징 유사도는 94.3%로 나타나, NLOS 실내 환경에서 20초 동안 특징의 안정성이 확인되었다.
• FTM 검출기는 블라인드 CAV 검출기 대비 3 dB의 감지 성능 향상을 기록하였으며, 100% 감지 확률에 도달하기 위해 수신 전력이 -119 dBm로 CAV의 -116 dBm보다 낮아졌다.
• 모의 실험 결과, FTM의 성능은 이론적 상한선(EC)과 하한선(MME/CAV) 사이에 위치하며, FTM는 100% 감지 확률을 달성하기 위해 -18 dB의 신호 대 잡음비가 필요로 했고, MME/CAV는 -16 dB의 신호 대 잡음비가 필요로 했다.
• Fast-PCA를 사용한 구현은 고유벡터 계산에 20 ms 미만의 계산 시간을 기록하여 실시간 성능을 확보하였으며, 실질적인 SDR 구현 가능성에 대한 증거를 제시했다.