[论文解读] Eigenvalue based Spectrum Sensing Algorithms for Cognitive Radio

Yonghong Zeng, Ying‐Chang Liang|arXiv (Cornell University)|Apr 18, 2008

Blind Source Separation Techniques参考文献 11被引用 13

一句话总结

本文提出了一种基于特征值的认知无线电频谱感知算法，利用接收信号样本协方差矩阵的最大/平均特征值与最小特征值之比。借助近期的随机矩阵理论，该方法在无需知晓信号、信道或噪声功率的情况下设定检测阈值，并在信号相关环境下优于能量检测，尤其在噪声不确定性条件下表现更优。

ABSTRACT

Spectrum sensing is a fundamental component is a cognitive radio. In this paper, we propose new sensing methods based on the eigenvalues of the covariance matrix of signals received at the secondary users. In particular, two sensing algorithms are suggested, one is based on the ratio of the maximum eigenvalue to minimum eigenvalue; the other is based on the ratio of the average eigenvalue to minimum eigenvalue. Using some latest random matrix theories (RMT), we quantify the distributions of these ratios and derive the probabilities of false alarm and probabilities of detection for the proposed algorithms. We also find the thresholds of the methods for a given probability of false alarm. The proposed methods overcome the noise uncertainty problem, and can even perform better than the ideal energy detection when the signals to be detected are highly correlated. The methods can be used for various signal detection applications without requiring the knowledge of signal, channel and noise power. Simulations based on randomly generated signals, wireless microphone signals and captured ATSC DTV signals are presented to verify the effectiveness of the proposed methods.

研究动机与目标

• 解决噪声不确定性带来的频谱感知挑战，该问题会降低能量检测的性能。
• 克服传统方法（如能量检测）的局限性，后者需要精确的噪声功率估计。
• 开发一种对未知信号、信道和噪声功率具有鲁棒性的频谱感知技术。
• 实现在低信噪比环境（如IEEE 802.22 WRAN系统中遇到的环境）下的可靠感知。
• 提供基于随机矩阵理论的理论框架，用于推导检测阈值和性能指标。

提出的方法

• 提出两种基于特征值的感知算法：一种使用最大特征值与最小特征值之比（MME），另一种使用平均特征值与最小特征值之比（EME）。
• 将接收信号建模为观测向量的样本协方差矩阵，其特征值反映信号的存在性。
• 应用随机矩阵理论（RMT），推导在仅噪声和信号加噪声假设下特征值比的渐近分布。
• 利用推导出的分布计算检测阈值，以保持目标虚警概率。
• 通过基于滤波的变换对接收信号进行预白化，使噪声协方差矩阵变为各向同性（类似单位矩阵），从而确保RMT的有效应用。
• 利用特征值比分布推导出检测概率和虚警概率的解析表达式。

实验结果

研究问题

• RQ1 能否利用样本协方差矩阵的特征值比，在无需事先知晓信号、信道或噪声功率的情况下可靠检测主用户？
• RQ2 如何应用随机矩阵理论来建模仅噪声和信号加噪声条件下特征值比的分布？
• RQ3 何种检测阈值可在保持高检测概率的同时确保期望的虚警概率？
• RQ4 与传统能量检测相比，该方法在噪声不确定性条件下的性能如何？
• RQ5 当信号相关时，该方法是否能在低信噪比区域优于能量检测？

主要发现

• 所提出的基于特征值的方法对噪声不确定性具有鲁棒性，这是能量检测的主要局限。
• 仿真结果表明，MME（最大特征值与最小特征值之比）方法始终优于EME（平均特征值与最小特征值之比）方法，尽管其理论解释尚待阐明。
• 在信号相关环境中，所提方法的检测概率高于理想能量检测，后者在噪声不确定性下会遭遇SNR壁垒。
• 对随机生成信号、无线麦克风信号以及真实ATSC DTV信号的仿真结果证实了该方法在多样化真实场景下的有效性。
• 可利用RMT推导的阈值对虚警概率进行解析控制，从而在噪声功率未知的情况下实现可靠运行。
• 该方法无需信号同步或波形知识，适用于认知无线电系统中的盲感知。