Mетодика пошуку оптимального виду тестової статистки для задач аналізу радіочастотного спектра
DOI:
https://doi.org/10.20535/RADAP.2022.90.13-20Ключові слова:
перетворення, тестова статистика, радіомоніторинг, форма спектра, завантаженість спектраАнотація
Постійне зростання кількості радіоелектронних засобів зумовлює підвищення завантаженості радіочастотного спектра. З іншого боку постійно з’являються нові технології передавання даних та ускладнюється частотно-часова структура сигналів. Дані фактори призводять до значного ускладнення радіоелектронної обстановки, що змушує розробляти нові підходи до швидкого аналізу радіочастотного спектра. У більшості публікацій для прийняття рішення про наявність або відсутність сигналів у заданій смузі частот проводять деяке перетворення від сигналу з подальшим обчисленням тестової статистики. Проте не вказано з яких міркувань обрано саме такий вид тестової статистики і чи вона є оптимальною для заданого перетворення та форми спектра сигналу. Питання підбору оптимального виду тестової статистики є особливо актуальним при роботі в умовах невідомого і змінного рівня шуму, а також при широкому динамічному діапазоні сигналів. Тестова статистика повинна бути чутливою до викидів вибірки частотних відліків. Сутність методики полягає у формуванні набору тестових статистик та розрахунку значення показника ефективності у вигляді суми ймовірностей правильного виявлення для різних форм спектра сигналів із використанням даних статистик при різних відношеннях сигнал-шум та завантаженостях спектра. Максимальне значення показника ефективності відповідатиме оптимальному виду тестової статистики. У результаті досліджень встановлено, що для розділення відліків на сигнальні та шумові в частотній області найбільш доцільно використовувати коефіцієнт варіації. Перспективи подальших досліджень в даному напрямку варто зосередити на розробленні методів динамічного переходу між видами тестової статистки у процесі радіомоніторингу в залежності від зміни радіоелектронної обстановки.
Посилання
References
Captain K. M., Joshi M. V. (2022). Spectrum Sensing for Cognitive Radio. Fundamentals and Applications. CRC Press, 256 p.
Elmasry F. G. (2021). Dynamic Spectrum Access Decisions. Local, Distributed, Centralized, and Hybrid Designs. John Wiley & Sons Ltd., 728 p.
Liang Y.-C. (2020). Dynamic Spectrum Management. From Cognitive Radio to Blockchain and Artificial Intelligence. Springer, 180 р. doi: 10.1007/978-981-15-0776-2.
Du Ke-Lin, Swamy N. S. (2010). Wireless Communication Systems From RF Subsystems to 4G Enabling Technologies. Cambridge University Press, 1020 p.
Framework and overall objectives of the future development of IMT for 2020 and beyond. Recommendation. ITU-R M.2083-0. (2015). International Telecommunication Union, Geneva, 21 p.
Rembovsky А. М., Ashikhmin A. V., Kozmin V. A., Smolskiy S. M. (2018). Radio Monitoring: Automated Systems and Their Components. Springer, 486 p. doi:10.1007/978-3-319-74277-9.
Vartiainen J., Lehtomaki J. J. and Saarnisaari H. (2005). Double-threshold based narrowband signal extraction. 2005 IEEE 61st Vehicular Technology Conference, Vol. 2, pp. 1288-1292. doi: 10.1109/VETECS.2005.1543516.
Henttu P. and Aromaa S. (2002). Consecutive mean excision algorithm. IEEE Seventh International Symposium on Spread Spectrum Techniques and Applications, Vol.2, pp. 450-454. doi: 10.1109/ISSSTA.2002.1048582.
Vartiainen J., Lehtomäki J., Saarnisaari H., and Juntti M. (2010). Analysis of the Consecutive Mean Excision Algorithms. Journal of Electrical and Computer Engineering, Volume 2010, Article ID 459623, 13 p. doi:10.1155/2010/459623.
Vartiainen J. (2010). Concentrated signal extraction using consecutive mean excision algorithms. Dissertation. University of Oulu, Faculty of Technology, Department of Electrical and Information Engineering, 114 р.
Rembovskii A. M., Tokarev A. B. (2004). Avtomatizirovannii radiomonitoring na osnove odnokanalnoi i dvukhkanalnoi obrabotki dannikh [Automated radio monitoring based on single-channel and dual-channel data processing]. Vestnik MGTU [Bulletin of MSTU], No. 3(56), pp. 42-62. [In Rus.]
Bakker W. (2019). Automatic detection of outlandish signal behaviour in the spectrum of cellular networks. University of Twente, M. Sc. Thesis, The Netherlands, 68 р.
Buhaiov М. V. (2020). Iterative Method of Radiosignals Detection based on Decision Statistics. Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, No. 81, pp. 11-20. DOI: 10.20535/RADAP.2020.81.11-20.
Rostami S., Arshad K., and Moessner K. (2012). Order-Statistic Based Spectrum Sensing for Cognitive Radio. IEEE Communications Letters, Vol. 16, Iss. 5., pp. 592-595. DOI: 10.1109/LCOMM.2012.030512.111887.
Jiang L., et al. (2019). Unilateral left-tail Anderson Darling test-based spectrum sensing with Laplacian noise. IET Communications, Vol. 13, Iss. 6, pp. 696-705. doi: 10.1049/iet-com.2018.5598.
Wang H., Yang E.-H., Zhao Z. and Zhang W. (2009). Spectrum sensing in cognitive radio using goodness of fit testing. IEEE Transactions on Wireless Communications, Vol. 8, No. 11, pp. 5427-5430. doi: 10.1109/TWC.2009.081586.
Zhang G., Wang X., Liang Y.-C. and Liu J. (2010). Fast and Robust Spectrum Sensing via Kolmogorov-Smirnov Test. IEEE Transactions on Communications, Vol. 58, No. 12, pp. 3410-3416. doi: 10.1109/TCOMM.2010.11.090209.
Kieu-Xuan T., Koo I. (2011). Cramer-von Mises test spectrum sensing for cognitive radio systems. Wireless Telecommunication Symposium, pp. 1-4. doi: 10.1109/WTS.2011.5960831.
Zhang J. (2002). Powerful goodness-of-fit tests based on the likelihood ratio. J. R. Statist. Soc., Vol. 64, Iss. 2, pp. 281-294. doi: 10.1111/1467-9868.00337.
Teguig D., Le Nir V. and Scheers B. (2014). Spectrum sensing method based on goodness of fit test using chi-square distribution. Electronics Letters, Vol. 50, Iss. 9, p. 713-715. doi:10.1049/el.2014.0302.
Teguig D., Le Nir V., Scheers B., and Horlin F. (2014). Spectrum Sensing Method Based on the Likelihood Ratio Goodness of Fit Test under Noise Uncertainty. International Journal of Engineering Research & Technology (IJERT), Vol. 3 Iss. 9, pp. 488-494.
Marques L., and Carvalho F. (2020). Cooperative Spectrum Sensing Based on Skewness Statistical Tests. XXXVIII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais - SBrT 2020, Florianópolis, SC. doi:10.14209/SBRT.2020.1570660124.
Subekti A., Sugihartono, Rachmana N. S. and Suksmono A. B. (2014). A Cognitive Radio Spectrum Sensing Algorithm to Improve Energy Detection at Low SNR. Telkomnika, Vol. 12, No. 3, pp. 717-724. doi: 10.12928/TELKOMNIKA.v12i3.101.
Denkovski D., Atanasovski V., and Gavrilovska L. (2012). HOS Based Goodness-of-Fit Testing Signal Detection. IEEE Communications Letters, Vol. 16, Iss. 3, pp. 310-313. doi: 10.1109/LCOMM.2012.010512.111830.
Subekti A., Sugihartono, Rachmana N. S. and Suksmono A. B. (2014). A HOS based Spectrum Sensing for Cognitive Radio in Noise of Uncertain Power. 2nd International Conference on Information and Communication Technology (ICoICT), pp. 511-514. doi: 10.1109/ICoICT.2014.6914114.
Subekti A., Sugihartono, Rachmana N. S. and Suksmono A. B. (2014). A Jarque-Bera Test Based Spectrum Sensing for Cognitive Radio. 8th International Conference on Telecommunication Systems Services and Applications (TSSA), pp. 1-4. doi: 10.1109/TSSA.2014.7065944.
Lin F., et al. (2012). A Combination of Quickest Detection with Oracle Approximating Shrinkage Estimation and Its Application to Spectrum Sensing in Cognitive Radio. MILCOM 2012 - IEEE Military Communications Conference, pp. 1-6, doi: 10.1109/MILCOM.2012.6415682.
Zeng Y. and Liang Y.-C. (2009). Eigenvalue based Spectrum Sensing Algorithms for Cognitive Radio. IEEE Transactions on Communications, Vol. 57, Iss. 6, pp. 1784-1793. doi: 10.1109/TCOMM.2009.06.070402.
Lin F., et al. (2012). Generalized FMD Detection for Spectrum Sensing under Low Signal-to-Noise Ratio. IEEE Communications Letters, Vol. 16, Iss. 5, pp. 604-607. doi: 10.1109/LCOMM.2012.030512.112164.
Lin F., Qiu R. C. and Browning J. P. (2015). Spectrum Sensing With Small-Sized Data Sets in Cognitive Radio: Algorithms and Analysis. IEEE Transactions on Vehicular Technology, Vol. 64, Iss. 1, pp. 77-87. doi: 10.1109/TVT.2014.2321388.
Çiflikli C. and Ilgin F. Y. (2018). Covariance Based Spectrum Sensing with Studentized Extreme Eigenvalue. Technical Gazette, Vol. 25, No. 1, pp. 100-106. doi: 10.17559/TV-20161217120341.
Zeng Y. and Liang Y. (2007). Covariance Based Signal Detections for Cognitive Radio. 2nd IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks, pp. 202-207. doi: 10.1109/DYSPAN.2007.33.
Chen J., Gibson A. and Zafar J. (2008). Cyclostationary spectrum detection in cognitive radios. IET Seminar on Cognitive Radio and Software Defined Radios: Technologies and Techniques, pp. 1-5. doi: 10.1049/ic:20080398.
Pattanayak S., Venkateswaran P., and Nandi R. (2018). Autocorrelation based spectrum sensing technique for cognitive radio application. EICE Communications Express, Vol. 7, Iss. 11, pp. 415-420. doi: 10.1587/comex.2018XBL0107.
Lundén J., Kassam S. A. and Koivunen V. (2010). Robust Nonparametric Cyclic Correlation-Based Spectrum Sensing for Cognitive Radio. IEEE Transactions on Signal Processing, Vol. 58, Iss. 1, pp. 38-52. doi:10.1109/TSP.2009.2029790.
Po K. and Takada J. (2007). Signal Detection Method based on Cyclostationarity for Cognitive Radio. Technical Report of IEICE, SR2007-38, pp. 109–114.
Zeng Y. and Liang Y. (2009). Spectrum-Sensing Algorithms for Cognitive Radio Based on Statistical Covariances. IEEE Transactions on Vehicular Technology, Vol. 58, Iss. 4, pp. 1804-1815. doi: 10.1109/TVT.2008.2005267.
Zhang Y. L., Zhang Q. Y. and Melodia T. (2010). A frequency-domain entropy-based detector for robust spectrum sensing in cognitive radio networks. IEEE Communications Letters, Vol. 14, Iss. 6, pp. 533-535. doi: 10.1109/LCOMM.2010.06.091954.
Bogale T. E., Vandendorpe L. and Le L. B. (2015). Wide-Band Sensing and Optimization for Cognitive Radio Networks With Noise Variance Uncertainty. IEEE Transactions on Communications, Vol. 63, Iss. 4, pp. 1091-1105. doi: 10.1109/TCOMM.2015.2394390.
Gautier M., Berg V. and Noguet D. (2012). Wideband frequency domain detection using Teager-Kaiser energy operator. 7th International ICST Conference on Cognitive Radio Oriented Wireless Networks and Communications (CROWNCOM), pp. 332-337. doi: 10.4108/icst.crowncom.2012.248336.
Bezruk V. M., Ivanenko S. A. (2018). Selection and recognition of the specified radio signals in the SW band. Information and Telecommunication Sciences, No. 2, pp. 21-26. DOI:10.20535/2411-2976.22018.21-26.
Moon K. T., Stirling W. C. (2000). Methematical Methods and Algorithms for Signal Processing. New Jersey: Prentice Hall Inc., 937 p.
Recommendation ITU-R SM.1600-3(09/2017). Technical identification of digital signals. International Telecommunication Union, Geneva, 25 p.
Kay S. M. (2013). Fundamentals of Statistical Signal Processing: Practical Algorithm Development. New York: Prentice Hall, 475 p.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 М. В. Бугайов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
