Application of Neural Network for Sensing Primary Radio Signals in a Cognitive Radio Environment

Estudo Dirigido
Application of Neural Network for Sensing
Primary Radio Signals in a Cognitive
Radio Environment
Popoola J. , Van Olst Rex
University of the Witwatersrand – South Africa
Aluno: Ramon Mayor Martins
Professor: Dr. Carlos Alberto Ynoguti

TTééccnniiccaass ddee IIAA
1- Introdução
2- Metodologia de Atribuição de Espectro
3- Sensoriamento Espectral
4- Novo esquema de Detecção proposto
5- Procedimentos do Estudo
6- Segunda fase do Estudo
7- Conclusão
8- Referências Bibliográficas

11-- IInnttrroodduuççããoo
Condição Atual
• Subutilização do espectro por usuários principais e escassez do
espectro para outros usuários
Solução
• DSA (Dynamic Spectrum Access), acesso dinâmico ao espectro,
para permitir que usuários não autorizados possam operar em
determinado espectro.
• Para habilitar o DSA: o usuário não licenciado deve possuir a
capacidade de detectar a presença/ausência de usuários licenciados,
podendo coexistir sem interferência.

• No artigo estudado, diferentes métodos de sensoriamento para
detectar sinais de utilizadores primarios sao revisados antes de propor
um metodo de deteccao e classificacao automatica de modulacao
para sensoriamento de presenca e ausencia de usuarios licenciados.
• A pesquisa apresentada no artigo enfoca no sensoriamento de
sinais de modulaçoes primarias.
•Para alcançar este objetivo, um classificador automatico de
modulacao digital foi desenvolvido utilizando RNA.

• Os resultados mostram um classificador com desempenho preciso,
com uma taxa média de sucesso de acima 99,50%.
•Com o sucesso registrado até o momento, os resultados desta
investigação em curso irá produzir um único método de detecção
capaz de detectar todas as formas de sinais primários de rádio em um
ambiente rádio cognitivo.
•Em comparação com outros métodos de detecção, este método de
detecção promete melhor desempenho

2- Metodologia de aattrriibbuuiiççããoo ddee eessppeeccttrroo
Estudos da utilização do espectro:
• 22% do espectro alocado é utilizado em áreas urbanas
• 3% do espectro alocado é utilizado em áreas rurais
• Medições realizadas no centro da cidade de Berkeley indicaram que
as faixas de freqüência atribuídas aos usuários licenciados são
subutilizados especialmente na banda de 3-6 MHz...enquanto outras
faixas são parcialmente ocupados e os restantes são muito usados.
•Portanto há furos nos espectros, e em determinados momentos e
determinadas regiões especificas, a banda pode não estar a ser
utilizada pelo usuário licenciado.

•A partir dessas observações, o conceito de furos de espectro foi
introduzido, o que era definido como bandas de freqüências
atribuídas a um usuário primário, pode em um determinado momento
ou localização geográfica específica, não estar a ser utilizado pelo
usuário licenciado (primário)
•Novo paradigma, usuários secundários operam no espectro sem
interferir em usuários licenciados (primários).
•Este método de partilha do espectro é chamado espectro dinâmico
de acesso (DSA).
•A tecnologia que permite DSA é o radio cognitivo

33-- SSeennssoorriiaammeennttoo EEssppeeccttrraall
Algumas Técnicas de Sensoriamento
• Matched Filter Detection
• Energy Detection
• Cyclostationary Feature Detection
• etc

44-- NNoovvoo eessqquueemmaa ddee DDeetteeccççããoo
• Prevê-se que a identificação confiável de sinais modulados é
suficiente para confirmar a presença / ausência do primário no
espectro e o correspondente uso inseguro / seguro do espectro
licenciado pelo secundário.
• Isto significa que a probabilidade de detectar todas as formas de
sinais de rádio primárias (forte ou fraco; pré-conhecido
ou desconhecido) deve ser garantida.

Técnicas de Detecção
->AMC (Automatic Modulation Classification) abordagem alternativa
para os métodos de detecção
->AMR (Automatic Modulation Recognition) técnica para detectar
sinais de radio primário em ambientes de radio cognitivo
->(uma vez q há diversas formas de modulação) há um aumento da
consciência espectral adicional fornecida pelo reconhecimento
automático de modulação e deverá contribuir para um ambiente mais
seguro para os usuários primários e de aumentar desempenho do
usuário secundário

Os procedimentos de estudo:
• A primeira fase relatada no artigo é o desenvolvimento de um AMC
(Automatic Modulation Classifier) utilizando uma RNA MFFN
(Multilayer Feedforward Network)

->Para garantir que quantidade limitada de informação é aplicada na
entrada da rede neural, um processo chamado de chaves de extração
de características foi utilizado para extrair características a partir dos
sinais modulados.
->O esquema de modulação e processos de recursos para a extração
foram simulada usando códigos no MATLAB.

•A essência da características das chaves de extração é a obtenção
de um conjunto de dados de entrada para discriminar entre diferentes
esquemas de modulação
•quatro chaves de extração de características são empregados no
artigo
•Obs.: desvio padrão de um sinal é a raiz quadrada da potencia
(variância)

Primeira Chave de Característica
Matematicamente:
Representa o Maximo valor de densidade de potencia espectral da
amplitude instantânea normalizada de um sinal simulado.
definido matematicamente como:
onde:
DFT - transformada discreta de Fourier do sinal da
freqüência de radio
N - numero de amostras por segmento
acn(i) - valor da amplitude instantânea normalizada em
um determinado instante de tempo...
t - tempo
fs - freqüência de amostragem
ma - valor médio das amostras

Função:
• distingue 2FSK do resto de outros sinais
• é usado para distinguir entre sinais que têm amplitude de informação
(2ASK,4ASK, BPSK e QPSK) como um subconjunto, e os sinais que
não têm nenhuma informação de amplitude (2FSK) como o segundo
subconjunto.

Função:
• O BPSK e QPSK têm informação de amplitude porque a limitação de
banda impõe informação de amplitude sobre eles especialmente nas
transições entre os símbolos sucessivos
• Para os sinais com informação de amplitude, os seus valores de
(gama) Max será maior do que o valor do limite máximo, enquanto
(gama) valor para 2FSK sem informação de amplitude é menor do
que o valor de limiar escolhido.

Segunda Chave de Característica
Matematicamente:
• A segunda chave característica utilizado é dp (sigma), que é o
desvio padrão do valor absoluto da componente não-linear da fase
instantânea.
Onde:
é o valor da componente não linear
da fase instantânea em um instante de
tempo.
C é o numero de amostras em
é o limiar para abaixo da qual a
estimativa da fase instantânea torna-se
altamente sensível a ruído.

Segunda Chave de Característica
Função:
->Ele é utilizado para distinguir entre 2ASK, 4ASK e BPSK
como um subconjunto e QPSK como outro subconjunto
->Enquanto 2ASK e 4ASK sinais modulados temos nenhuma
informação fase absoluta por natureza, a informação de fase absoluta
de BPSK é constante portanto, tornando a sua ap sigma valores
menos do que o valor de limiar. Por outro lado, QPSK tem absoluto e
direta informação de fase, por natureza, o que torna a sua ap (sigma)
valores sempre maior do que o valor de limiar. Assim, ap sigma é
usado para distinguir entre QPSK como um subconjunto e (2ASK,
4ASK e BPSK) como segundo subconjunto.

Terceira Chave de Característica
Matematicamente:
desvio padrão do valor direto da componente não linear da fase
instantânea direta.

Terceira Chave de Característica
Função:
é usado para distinguir entre 2ASK e 4ASK sinais como um
subconjunto e BPSK como outro sinal. O discriminação é possível
porque 2ASK e 4ASK sinais não tenho nenhuma informação de fase
direto, daí suas dp sigma valores são menos do que o valor de limiar.
Por outro lado, tem BPSK informação de fase direto, o que torna seu
dp sigma valor maior do que o valor limiar. Assim, dp sigma é usado
para distinguir entre 2ASK e 4ASK como um subconjunto e BPSK
como o segundo subconjunto.

Quarta Chave de Característica
Matematicamente:
é o desvio padrão do valor absoluto da amplitude normalizada
instantânea

Quarta Chave de Característica
Função:
Este recurso é usado para distinguir entre 2ASK e 4ASK.
A discriminação é possível porque não tem nenhum 2ASK
informação de amplitude absoluta, o que torna seu valor aa sigma
menos do que o valor de limiar. No sinal de outra mão 4ASK
tem um valor de amplitude absoluta que torna o seu valor aa sigma
maior do que o valor de limiar.

Algoritmo para Geração de dados / Reconhecimento de Modulações

55-- PPrroocceeddiimmeennttooss ddoo EEssttuuddoo
Após a extração das chaves de funções, a rede neural arquitetura
mostrado na fig. 3 foi treinado para desenvolver o classificador. Um
total de 2500 dados com quatro entradas conjunto de recursos e cinco
saídas alvo foram utilizados. O procedimento seguido para treinar o
AMC desenvolvido é dado como se segue:
(i) gerado de dados, que consiste em vitória de entrada e de destino
vetores, foram importados para o ambiente MATLAB.
(ii) Os dados carregados foi normalizada e aleatoriamente
classificada.

(iii) Particionamento dos dados carregados em treinamento, validação
e conjuntos de dados de teste foram realizadas. 50% dos nossos
dados totais foi utilizado para a formação de rede.
A formação conjunto de dados foi utilizado para atualizar os pesos da
rede. O treinamento foi feito até o erro médio quadrático (MSE),
utilizado como a função de desempenho foi mínima. 25% do total de
dados foi utilizado para validar que o rede foi capaz de generalizar e
parar de treinar antes da rede era mais adequado.
O último 25% do total de dados foi utilizado como um conjunto de
dados de teste completamente independentes para testar a rede
generalização.

(iv) O RNA foi criado. Quatro neurônios foram utilizados no camada
de entrada correspondente ao número de características de entrada,
sete neurônios foram utilizados na camada escondida. A rede tem
cinco neurônios na camada de saída correspondentes ao número de
metas.
(v) O AMC foi finalmente desenvolvido avaliados para determinar o
seu desempenho. Os resultados obtidos são apresentados no Quadro
I com uma taxa de sucesso média acima de 99,50%. para testar a
rede generalização.

66-- SSeegguunnddaa ffaassee ddoo EEssttuuddoo
A segunda fase do estudo, que está em curso, envolve o acoplamento
do classificador de modulação desenvolvido automático e Rádio GNU
com um USRP2 rádio software (universal versão periférica 2) a partir
Ettus Laboratory, para desenvolver o transceptor de rádio cognitivos
motores.
Cada SU, é um rádio inteligente acoplado com o reconfigurabilidade
do SDR que forma um CR que podem co-existir com o principal
proprietário de uma banda de espectro licenciado.

77-- CCoonncclluussããoo
Detecção de sinais de rádio precisa primário exige adequada pré-conhecimento
sobre suas características.
No entanto, em um rádio cognitivo ambiente onde o conhecimento a
priori de um rádio principal sinal não é esperado, um usuário
secundário devem estar equipados de tal forma para detectar com
precisão a presença de um primário usuário.
Espera-se que um utilizador secundário equipado com um
classificador automático da modulação como proposto neste trabalho,
seriam possíveis detectar todas as formas de sinais de rádio primárias
num cognitiva ambiente rádio como todos os dispositivos que utilizam
o rádio espectro de usar uma forma de modulação ou de outra.

77-- CCoonncclluussããoo
Com o sucesso registrado até o momento, a detecção proposto
método apresentado neste artigo devem ter melhor desempenho, em
primeiro lugar,por causa do excelente desempenho da AMC
desenvolvido classificador para o estudo, mesmo em SNR baixos. Em
segundo lugar, porque a sua desenvolvimento não foi baseado em
uma característica de sinal específico, mas em vez de uma
característica geral comum a todos os transmissores usando o
espectro radioelétrico. Outra vantagem do presente observada
proposto método de detecção é a taxa de detecção rápida do
desenvolvida AMC na gama de 5,1 milissegundos, que garante
possibilidade de detecção instantânea do primário do utilizador
de sinal em um ambiente de rádio cognitiva..

88-- RReeffeerreenncciiaass BBiibblliiooggrrááffiiccaass
Principal:
[1] Application of Neural Network for sensing primary radio signals in a
cognitive radio environment
Complementar:
[2] Digital Modulation Recognition Based on Feature , Spectrum and Phase
Analysis and its Testing with Disturbed Signals
[3] Signal Modulation Recognizer Based on Method of Artificial Neural
Networks.

Application of Neural Network for Sensing Primary Radio Signals in a Cognitive Radio Environment

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (8)

Similaire à Application of Neural Network for Sensing Primary Radio Signals in a Cognitive Radio Environment

Similaire à Application of Neural Network for Sensing Primary Radio Signals in a Cognitive Radio Environment (20)

Plus de Ramon Mayor Martins

Plus de Ramon Mayor Martins (19)

Dernier

Dernier (6)

Application of Neural Network for Sensing Primary Radio Signals in a Cognitive Radio Environment