[论文解读] Quickest Eigenvalue-Based Spectrum Sensing using Random Matrix Theory

Martijn Arts, Andreas Bollig+1 more|arXiv (Cornell University)|Apr 7, 2015

Cognitive Radio Networks and Spectrum Sensing参考文献 21被引用 5

一句话总结

本文提出一种基于随机矩阵理论的特征值最快检测方法用于频谱感知，利用从样本协方差矩阵导出的最大-最小特征值（MME）统计量。对于 K=2 个次用户，推导了在仅噪声（H0）和信号加噪声（H1）假设下 MME 的解析概率密度函数（PDF），从而实现已知信噪比（SNR）下的 CUSUM 算法与未知 SNR 下的广义似然比（GLR）算法。主要贡献在于证明了在中等到高 SNR 下，该方法可实现比块检测更快速的检测且延迟更低，同时保持可接受的虚警率。

ABSTRACT

We investigate the potential of quickest detection based on the eigenvalues of the sample covariance matrix for spectrum sensing applications. A simple phase shift keying (PSK) model with additive white Gaussian noise (AWGN), with $1$ primary user (PU) and $K$ secondary users (SUs) is considered. Under both detection hypotheses $\mathcal{H}_0$ (noise only) and $\mathcal{H}_1$ (signal + noise) the eigenvalues of the sample covariance matrix follow Wishart distributions. For the case of $K = 2$ SUs, we derive an analytical formulation of the probability density function (PDF) of the maximum-minimum eigenvalue (MME) detector under $\mathcal{H}_1$. Utilizing results from the literature under $\mathcal{H}_0$, we investigate two detection schemes. First, we calculate the receiver operator characteristic (ROC) for MME block detector based on analytical results. Second, we introduce two eigenvalue-based quickest detection algorithms: a cumulative sum (CUSUM) algorithm, when the signal-to-noise ratio (SNR) of the PU signal is known and an algorithm using the generalized likelihood ratio, in case the SNR is unknown. Bounds on the mean time to false-alarm $τ_ ext{fa}$ and the mean time to detection $τ_ ext{d}$ are given for the CUSUM algorithm. Numerical simulations illustrate the potential advantages of the quickest detection approach over the block detection scheme.

研究动机与目标

• 为解决传统块检测在认知无线电中延迟受限的问题，实现更快的频谱感知。
• 使用 Wishart 分布对 H0（仅噪声）和 H1（信号+噪声）下样本协方差矩阵的特征值分布进行建模。
• 推导 K=2 个次用户下最大-最小特征值（MME）统计量的解析概率密度函数（PDF）。
• 基于 MME 统计量开发并评估最快检测算法——CUSUM 与 GLR，用于动态频谱接入。
• 为 CUSUM 算法提供均值虚警时间（τfa）与均值检测时间（τd）的理论边界。

提出的方法

• 建立一个认知无线电系统模型，包含一个主用户（PU）和 K=2 个次用户（SUs），采用相位偏移键控（PSK）信号与加性白高斯噪声（AWGN）。
• 在 H0 与 H1 假设下，将样本协方差矩阵的特征值表征为 Wishart 分布。
• 在 H1 下推导 K=2 时 MME（标准条件数）统计量的解析 PDF，参数化为样本数 N 与 SNR α。
• 利用 H0 的已知解析结果，无需仿真即可计算 MME 块检测器的接收机操作特性（ROC）。
• 提出一种基于 CUSUM 的最快检测算法，假设已知主用户 SNR，并提供 τfa 与 τd 的理论边界。
• 设计一种广义似然比（GLR）算法用于未知 SNR 情况，采用分块样本协方差矩阵与类似 CUSUM 的更新机制。

实验结果

研究问题

• RQ1 能否为 K=2 个次用户系统在 H0 与 H1 下推导出 MME 统计量的解析 PDF？
• RQ2 MME 块检测器的性能与传统方案相比如何？是否可无需仿真进行评估？
• RQ3 基于特征值的 CUSUM 最快检测能否相比块检测降低检测延迟？
• RQ4 在已知 SNR 情况下，CUSUM 算法的 τfa 与 τd 的理论边界是什么？
• RQ5 在未知 SNR 情况下，GLR 算法的性能如何？其在延迟与虚警率之间的权衡如何？

主要发现

• 推导出 K=2 时 H1 下 MME 统计量的解析 PDF，使得无需仿真即可精确计算块检测器的 ROC。
• CUSUM 算法相比块检测实现了更低的平均检测延迟 τd，并提供了 τfa 与 τd 的理论边界。
• GLR 算法在未知 SNR 条件下实现了最快检测，其检测速度在广泛 SNR 范围内优于 MME 块检测器。
• 在低 SNR 下（例如 α = −17 dB），由于分块处理与数据丢失，GLR 算法性能相比 MME 块检测器滞后约 2 dB。
• 数值结果证实，最快检测可显著降低检测延迟，提升频谱接入效率，尤其在需要快速响应的场景中。
• GLR 算法中的分块结构在低 SNR 下限制了性能，提示可通过逐样本更新协方差矩阵来改进，但此举将使当前理论边界失效。