Sensoriamento de espectro e classificação de sinais em rádio cognitivo por decomposição em subespaços e redes neurais RBF

Abstract

A possibilidade de escassez e saturação do espectro, aliadas às demandas crescentes por maiores capacidades de transmissão, são fatores que impulsionam a pesquisa de soluções no âmbito das redes de rádios cognitivos. O sensoriamento do espectro constitui um dos maiores desafios para o desenvolvimento comercial dos sistemas de rádio cognitivo, pois a verificação da presença de um usuário primário é uma tarefa complexa que exige alta confiabilidade. A proposta deste trabalho é elaborar um classificador de sinais capaz de verificar a presença de um usuário primário num determinado canal do espectro de rádio. O classificador proposto realiza a decomposição em subespaços da matriz de covariância do sinal, visando extração de características que possam indicar a presença de usuário primário. A decomposição do sinal em subespaços permite a determinação de bancos de filtros aos quais novos sinais são submetidos. Redes neurais do tipo RBF são utilizadas para análise de características dos sinais filtrados e decisão sobre a presença de um determinado tipo de usuário primário. Com base na regulamentação IEEE 802. 22, o processo de classificação é executado na rádio-base cognitiva, responsável pelo controle de todos os usuários e canais na sua área de cobertura. Os resultados indicam que o custo computacional da decomposição em subespaços, que é executada de forma cíclica em métodos similares, pode ser reduzido através da abordagem proposta, sem comprometimento da qualidade da detecção.

The possibility of spectrum shortage and saturation, combined with the increasing demands for higher transmission rates are driving factors for research within cognitive radio networks. Spectrum sensing is one of the major challenges for the commercial development of cognitive radio systems, since the verification of a primary user presence is a complex task that requires high reliability. The proposal of this work is to develop a signal classifier capable of verifying the primary user presence on a particular channel of the radio spectrum. The proposed classifier performs subspace decomposition of the signal covariance matrix, in order to obtain characteristics that may indicate the presence of a primary user. The subspace decomposition enables the design of filter banks to which new signals are submitted. RBF neural networks are used to analyze the filtered signal characteristics and to decide about the presence of a particular type of primary user. Based on IEEE 802. 22 regulations, the classification process is performed at the cognitive radio base station, which is responsible for controlling all users and channels in its coverage area. The results indicate that the computational cost of subspace decomposition, which is cyclically performed in similar methods, can be reduced through the proposed approach without jeopardizing the detection quality.