[論文レビュー] Modified Orthogonal Matching Pursuit Algorithm for Cognitive Radio Wideband Spectrum Sensing

Peng Zhang, Robert C. Qiu|arXiv (Cornell University)|Feb 14, 2011

Sparse and Compressive Sensing Techniques参考文献 18被引用数 6

ひとこと要約

本稿では、認知无线电ネットワークにおける広帯域スペクトラムセンシングのため、スペクトル使用パターンの事前知識を活用して変更された直交マッチング Pursuit (OMP) アルゴリズムを提案する。スペクトル使用パターンは、常に占有されている帯域、断続的に使用される帯域、およびランダムにアクセスされる帯域の3種類に分類される。このアルゴリズムは、ベースライン Pursuitに基づく手法と比較して、再構成精度を向上させるとともに計算時間を短縮し、ノイズなし条件下で平均二乗誤差 (MSE) ≈10⁻³⁰ というほぼ完璧な再構成を達成し、MNDO や変更版 BPDN よりも MSE と速度の両面で優れている。

ABSTRACT

Sampling rate is the bottleneck for spectrum sensing over multi-GHz bandwidth. Recent progress in compressed sensing (CS) initialized several sub-Nyquist rate approaches to overcome the problem. However, efforts to design CS reconstruction algorithms for wideband spectrum sensing are very limited. It is possible to further reduce the sampling rate requirement and improve reconstruction performance via algorithms considering prior knowledge of cognitive radio spectrum usages. In this paper, we group the usages of cognitive radio spectrum into three categories and propose a modified orthogonal matching pursuit (OMP) algorithm for wideband spectrum sensing. Simulation results show that this modified OMP algorithm outperforms two modified basis pursuit de-noising (BPDN) algorithms in terms of reconstruction performance and computation time.

研究の動機と目的

• 認知无线电システムにおける広帯域スレートセンシングの高サンプリングレートのボトルネックを解決すること。
• スペクトル使用パターンの事前知識を組み込むことで、圧縮センシング再構成性能を向上させること。
• 既存のベースライン Pursuitに基づくアルゴリズムと比較して、計算複雑度を低減すること。
• スパarsityと構造的知識を用いて、マルチギガヘルツ帯域センシングにおけるサブ・ナイキスト採択を可能にすること。
• リアルタイム認知无线电アプリケーションに適した実用的で高速かつ高精度な再構成アルゴリズムの開発

提案手法

• 認知无线电のスペクトル使用状況を3種類に分類する：恒久的に占有されている帯域、まれに使用される帯域、およびランダムにアクセスされる帯域。
• 固定周波数境界と使用パターンの事前知識をグリーディ選択プロセスに組み込んだ、変更版 OMP アルゴリズムを導入する。
• 周波数ドメインにおけるスペクトルのスパarsityを活用し、再構成精度を向上させるために、変更版 OMP フレームワークを適用する。
• 各 OMP イテレーションにおけるアトム選択を、既知のスペクトル境界からの構造的制約によってガイドする。
• スペクトルを表すために、N点のフーリエ変換および逆変換を用いた離散周波数ドメインモデルを採用する。
• モンテカルロシミュレーションを用いて、2つのベースライン Pursuitに基づくアルゴリズム（MNDO および変更版 BPDN）と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 スペクトル使用パターンの事前知識は、広帯域認知无线电システムにおける圧縮センシング再構成性能を向上させ得るか？
• RQ2 MNDO や変更版 BPDN といったベースライン Pursuitに基づく手法と比較して、変更版 OMP アルゴリズムの再構成精度と計算効率はどのように異なるか？
• RQ3 固定、断続的、ランダムな使用帯域といった異なるスペクトル使用カテゴリは、アルゴリズム設計および性能にどのような影響を及ぼすか？
• RQ4 構造的知識を強化したグリーディアルゴリズムを用いることで、マルチギガヘルツ帯域センシングにおけるサブ・ナイキスト採択を効果的に達成できるか？
• RQ5 SNR と測定数が変化する条件下で、変更版 OMP アルゴリズムはノイズ環境（AWGN）下でどのように性能を示すか？

主な発見

• M = 250 の測定値を使用したノイズなし条件下で、変更版 OMP アルゴリズムは平均二乗誤差 (MSE) が約 10⁻³⁰ というほぼ完璧な再構成を達成した。
• SNR = 15 dB のAWGN環境下では、変更版 OMP は MSE = 0.0386 を達成し、MNDO (MSE ≈2.0007) や変更版 BPDN (MSE ≈0.4248) より顕著に優れた性能を示した。
• M = 500 の場合、変更版 OMP は近似的にゼロの MSE (≈7×10⁻³¹) を維持したが、変更版 BPDN は ≈7.92×10⁻²⁰ に達し、MNDO は ≈0.0810 のままだった。
• 変更版 OMP アルゴリズムは他の2つの手法と比べて著しく高速であり、再構成にわずか 0.05 秒を要した。これに対して MNDO は 12.83 秒、変更版 BPDN は 5.89 秒を要した。
• ノイズ環境においても安定性を示し、SNR が上昇するか、測定数 M が増加するにつれて MSE が低下した。
• スペクトル使用カテゴリに関する事前知識の統合により、再構成精度と計算効率の両面で顕著な向上が達成された。