WIDEBAND SPECTRUM SENSING PADA

COGNITIVE RADIO DENGAN PENDEKATAN

SUB-NYQUIST SAMPLING
Chaeriah Wael
NRP. 2210203005
PEMBIMBING:
Dr. Ir. Wirawan, DEA
Ujian Tesis - 5 Juli 2012
ITS - Surabaya

Latar Belakang
-

Cognitive
Radio

Keterbatasan spektrum
Utilitas spektrum
berlisensi yang rendah
Sampling rate
rendah

Spectrum Sensing
Signal space
Lebar

Practical
mudah

Semakin lebar frekuensi monitor, efisiensi

spektrum semakin tinggi
- Frekuensi operasi yang lebar membutuhkan ADC
resolusi dan laju sampling yang tinggi juga
dynamic range yang lebar.
-

Wideband
Spectrum sensing

Tujuan Penelitian

Melihat kinerja sub-Nyquist sampling dengan metode MWC

pada proses rekonstruksi sinyal dengan noise AWGN serta
pengaruhnya dalam menurunkan laju sampling.
Melihat perbandingan kinerja sistem thresholding CFAR dan
algoritma DA (Devided-Average) yang diterapkan pada deteksi
energi.
Melihat perbandingan kinerja teknik wideband spectrum sensing
dengan deteksi energi dan dengan pendekatan sub-Nyquist
sampling.

Cognitive Radio

Cognitive cycle

Transmitted Signal

Spectrum
Mobility

We are here!
Radio Environment
RF
Stimuli

Primary User Detection

Spectrum
Sensing
Decision Request
Spectrum Hole

Spectrum
Sharing
Channel
Capacity

Spectrum
Decision

Spectrum Sensing
Tujuan :
Memonitor band spektrum,
capture informasi band
spektrum dan mendeteksi
spectrum hole.

Spectrum Sensing
Teknik spektrum sensing :
Spectrum Sensing

Primary
Receiver
detection

Primary
Transmitter
detection

Cooperative Interference- Metode lain

detection based detection

Matched filter Energy Cyclostationary

detection detection
feature
detection
6

Analog Vs Digital
Analog

Continuous signal

Sampling
A2D

Digital

Reconstruction
D2A

Metode Sampling Klasik

Suatu sinyal pita terbatas dengan lebar m memerlukan
laju sampling minimum sebesar 2m agar sinyal tersebut
dapat direkonstruksi kembali secara eksak.

Whittaker
1915

Nyquist
1928

Kotelnikov Shannon
1933
1949

Compressive Sensing
Digital domain

Analog
signal
ADC

Compress
De~1:10
Compress

Analog
signal
DAC

Nyquist rate

Voice recorder

Camera

Medical imaging

Can we not just directly measure the part that

will not end up being thrown away ?
Donoho, 06

Compressive Sensing
Analog
Audio
Signal

Nyquist rate
Sampling

High-rate
Compressed
Compression
Sensing (e.g. MP3)

Low-rate

10

Sub-Nyquist Sampling

Sub-Nyquist sampling memungkinkan laju sampling

dibawah Nyquist rate
Metode Sub-Nyquist sampling :
Periodic Non-uniform Sampling (PNS)
Random Demodulator (RD)
Modulated Wideband Converter (MWC)

11

Metodologi Penelitian
Pemodelan wideband
spectrum sensing (WSS)
Skenario (1)

Skenario (2)

WSS dengan Sub-Nyquist

Sampling

WSS dengan deteksi

energi

Analisa kinerja sistem

Desain MWC
Recovery sinyal
Deteksi spektrum
kosong
Kinerja MWC
Kinerja Deteksi

Analisa kinerja sistem

Perbandingan kinerja
Kesimpulan

12

Model Sistem

Skenario 1 :
Blok MWC

Informasi
spectrum hole

Skenario 2

Blok MWC

Deteksi Energi

Informasi
spectrum hole

13

Model Sinyal

x(t ) =

f1

f2

fN-1

fN

fmax

Ei B sin c( Bt ) cos (2f it )

i =1

14

Blok MWC Sampling

y1[n]
z1[n]

h(t)
x(t)

t = nTs

p1(t)

CS
yL[n]
h(t)

Pm(t)

zM[n]

CTF

Estimasi
spektral

Deteksi
energi

AmxM
m<M

15

MWC Sampling
h(t)

x(t)

h(t)

Mixing function pi(t)

yi[n]

pi(t)

t = nTs

p1(t)

y1[n]

h(t)

ym[n]

pm(t)

16

Ekivalen MWC Sampling

F (magnitude)

50

S
10
20
30

100
50

100

150

150
50

100

150

matriks Q (magnitude)

matriks sensing A (magnitude)

10
20
30
50

100

150

10

20

30
10

20

30

17

Rekonstruksi Sinyal
Analog
back-end

x (t )

Proses realtime

y1[n]

y[n] =
ym [ n]

Recovery
support
Blok CTF

Q=

y[n] y [n]
T

Q = VVH

V = AU

S = supp(U0)

n =-

kontinyu

finite

y(f) = Az(f)

V = AU

18

Deteksi Spektrum Kosong & Recovery

CTF

Hitung matriks korelasi R

Dekomposisi R = VVH

Selesaikan persamaan linear

(MMV) : V = AU untuk
memperoleh solusi yang paling
sparse dari U0

Himpunan indeks spektral adalah

k = I(U0), dimana I(U0) adalah
support dari U0 yang
menunjukkan baris U0 yang tidak
nol

Algoritma 3.1 : OMP

Inisialisasi : Iterasi (t) = {}, Residual (r) =
V, support (S) = {}
Input : jumlah iterasi, threshold
Diulangi sampai memenuhi kriteria untuk
berhenti :
Proses matcing :
Update support dan Ait :

Least square

Update residu : rt = V - AUt

Stop jika :
Iterasi = jumlah iterasi yang diinputkan
threshold
19

Deteksi Energi

Deteksi energi dalam domain frekuensi :

x (k )

N-point FFT

Model BHT :

Tes Statistik :

|.

H0 / H1

|2
Pengaturan nilai
threshold

20

Deteksi Energi

Decision rule :

Threshold (Algoritma DA) :

Threshold (Algoritma CFAR) :

Dengan
adalah inverse cdf chi-square
dengan derajat kebebasan 2J
21

Deteksi Energi

Model BHT :

Tes statistik :

Decision rule :

Threshold (algoritma DA):

22

Analisa Performansi Deteksi Energi

Pd dan Pf simulasi :

Dengan

23

Parameter Simulasi

Sinyal PU aktif : 3
Parameter Sampling
Parameter

Nilai

Lebar frekuensi monitoring

0 5 GHz

fNyq

10 Ghz

Jumlah subband (L)

195 subband

fp

fNyq / jumlah subband = 10/195

= 51,28 MHz

fs

= fp

L0

97

195

m (jumlah kanal)

16, 30, 50 kanal

24

Performansi Rekonstruksi Sinyal

Sukses Recovery vs. Jumlah kanal

Sukses recovery :
Sukses recovery Vs. jumlah kanal, PU aktif = 3
1

Rekonstruksi secara sempurna

dicapai dengan jumlah kanal di atas

0.7

30, untuk 3 PU aktif

SNR = -5dB
SNR = 10dB
SNR = 20dB

0.8

sukses recovery

0.9

0.6
0.5
0.4
0.3
0.2
0.1
0
10

20

30

40

50
60
jumlah kanal

70

80

90

100

25

Performansi Rekonstruksi Sinyal

Sukses Recovery vs. SNR
Sukses rekonstruksi dapat

m = 16
m = 30
m = 50

0.9

ditingkatkan pada SNR rendah

0.8
0.7

dengan menambah jumlah kanal

atau jumlah sampel

sukses recovery

Sukses recovery Vs. SNR, PU aktif = 3

1

0.6
0.5
0.4
0.3
0.2
0.1
0
-20

-15

-10

-5

0
SNR

10

15

20

26

Performansi Rekonstruksi Sinyal

Sukses Recovery vs. SNR & jumlah kanal

Recovery support sinyal sempurna

pada SNR 5 dB untuk hampir semua
jumlah kanal

Pada SNR -5 dB, recovery secara

sempurna terjadi pada jumlah kanal di
atas 50

27

Performansi Rekonstruksi Sinyal

MSE vs. Jumlah kanal
2.5
SNR =
SNR =
SNR =
SNR =

-5dB
0dB
5dB
10dB

berarti jumlah sampel lebih

banyak. Dengan jumlah sampel

MSE

1.5

lebih banyak, error

1

rekonstruksi semakin kecil

sehingga nilai MSE juga

0.5

0
20

28

Semakin besar jumlah kanal

semakin kecil. Semakin tinggi

25

30

35
jumlah kanal/m

40

45

50

SNR, maka MSE semakin kecil.

28

Performansi Sub-Nyquist Sampling

Detector
0.09

1
0.98

0.085

0.96
0.08

0.94

Pd

Pf

0.92
0.075

0.9
0.07

0.88
0.86

0.065

0.84
0.82
-10

-8

-6

-4

-2

0
SNR

10

0.06
-10

-8

-6

-4

-2

0
SNR

10

Nilai Pd meningkat seiring dengan meningkatnya SNR.

Pada SNR = -5 dB, Pd bernilai 1 yang berarti proses
deteksi telah dilakukan secara sempurna. Di lain pihak,
nilai Pf akan menurun seiring dengan meningkatnya SNR
29

Performansi Energy Detector (CFAR)

1

Pf=0.02,6subband
Pf=0.1,6subband
Pf=1,6subband
Pf=0.02,10subband
Pf=0.1,10subband
Pf=1,10subband

0.9
0.8
0.7

untuk semua nilai SNR. Hal

ini menunjukkan bahwa

0.6
Pd

Pd cenderung konstan

CFAR tidak optimal untuk

0.5
0.4

deteksi energi dengan range

0.3
0.2

frekuensi yang lebar dari

0.1
0
-20

-15

-10

-5

5
SNR

10

15

20

25

30

hasil sampling terkompresi.

30

Performansi Energy Detector (DA)

1

0.12
sparsity level=6/195
sparsity level=10/195

0.9

0.1

0.8
0.7

0.08

0.5

Pf

Pd

0.6

0.06

0.4

0.04

0.3
0.2

0
-20

0.02

sparsity level=6/195
sparsity level=10/195

0.1

-15

-10

-5

Kriteria

5
SNR

10

15

20

25

30

0
-20

-15

-10

-5

5
SNR

10

15

20

25

30

Sparsity level
6

10

Pd 0.9

-3 dB

3 dB

Pf 0,1

-20 dB

-18 dB
31

Sub-Nyquist Sampling vs. Energy

Detector (DA)
SNR
(dB)
-20
-19
-18
-17
-16
-15
-14

Skenario
(1)

(2)

Pd
Pf
Pd
Pf
0.0695 0.0600 0.1783 0.1123
0.0905
0.0823

0.0591 0.1807 0.1123

0.0592 0.2062 0.1117

0.2700

0.1057 0.0578
0.1245 0.0565
0.1208

SNR
(dB)

0.0570

0.1597 0.0547

0.3013
0.3343
0.4248

0.1091
0.1095
0.1087
0.1051

Skenario
(1)
Pd
0.9967
1

(2)
Pf
-

Pd
-

0.0024

0.0024

0.9967 0.0030

10

11

0.0016
0.0019
0.0013

1
1
1
1
1

Pf
0.064
7
0.064
1
0.064
6
0.064
5
0.065
1
0.065
3

32

Kesimpulan

Proses recovery yang akurat dari sinyal yang tidak diketahui

hendaknya memiliki derajat dependensi secara linear setiap
kolom pada matriks yang direkonstruksi yang kecil. Recovery
secara sempurna (sukses recovery = 1) terjadi pada SNR = 5 dB
untuk hampir semua setting jumlah kanal.
Proses deteksi energi dengan algoritma DA memberikan
performansi yang lebih optimal daripada CFAR.
Rekomendasi IEEE 802.22 WRAN, yakni nilai Pd 0,9 dicapai
pada SNR -3 dB untuk deteksi dengan MWC dan -9 dB
untuk deteksi energi dengan algoritma DA. Keduanya dengan
setting 6 subband aktif. untuk nilai Pf 0,1 dicapai pada SNR
-20 untuk deteksi dengan MWC dan SNR -13 dB untuk
deteksi energi dengan algoritma DA.
33

REFERENSI
[1] I. F. Akyildiz, W. Y. Lee, M. C. Vuran, and S. Mohanty, Next generation/dynamic spectrum
access/cognitive radio wireless networks: a survey, Computer Networks Journal, vol. 50, no. 13,
pp. 21272159, 2006.
[2] A. Sahai and D. Cabric, A tutorial on spectrum sensing: Fundamental limits and practical
challenges, in Proc. IEEE Int. Symposium on NewFrontier in Dynamic Spectrum Access Networks
(DySPAN), Baltimore, MD, Nov. 2005.
[3]Z. Tian and G.B Giannakis, Compressed sensing for wideband cognitive radios, IEEE
International Conference on Acoustics, Speech and Signal Processing, vol. 4, pp. IV-1357-IV-1360,
apr 2007.
[4]Y. Hur, J. Park, W. Woo, K. Lim, C.-H. Lee, H. S. Kim, and J. Laskar, A wideband analog multiresolution spectrum sensing technique for cognitive radio systems, in Proc. IEEE International
Symposium on Circuits and Systems (ISCAS), Island of Kos, Greece, May 2006, pp. 4090-4093.
[5] Z. Quan, S. Cui, A. H. Sayed, and H. V. Poor, Wideband spectrum sensing in cognitive radio
networks, in Communications,2008. ICC 08. IEEE International Conference on, Beijing, May 2008,
pp. 901-906.
[6]R. Lopez-Valcarce and G. Vazquez-Vilar, Wideband spectrum sensing in cognitive radio: Joint
estimation of noise variance and multiple signal levels, in Signal Processing Advances in Wireless
Communications, 2009. SPAWC 09. IEEE 10th Workshop on, Perugia, Jun. 2009, pp. 96-100.
[7] Y.L. Polo, Ying Wang, A. Pandharipande, and G. Leus, Compressive wide-band spectrum
sensing, IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 2337-340,
apr. 2009.
[8]Moslem Rashidi, et.al., A wideband spectrum sensing method for cognitive radio using subnyquist sampling, arXiv 1010.2157v1, 2010, submitted for publication.
[12]M. Mishali and Y. C. Eldar, From theory to practice: Sub-Nyquist sampling of sparse wideband
analog signals, IEEE J. Sel. Topics Signal Process., vol. 4, no. 2, pp. 375391, Apr. 2010.
[14]Y. C. Eldar, P. Kuppinger, and H Bolcskei, Block-Sparse Signals : Uncertainty Relations and
Efficient Recovery, IEEE Trans. Signal Process., vol. 58, no. 6, June 2010.

34

Thank You