application of neural network for sensing primary radio signals in a cognitive radio environment

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

Radio Environment

Popoola J. , Van Olst RexUniversity of the Witwatersrand – South Africa

Estudo Dirigido

Aluno: Ramon Mayor MartinsProfessor: Dr. Carlos Alberto Ynoguti

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

Técnicas de IATécnicas de IA

1- Introdução1- Introdução

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 atribuição de espectro2- Metodologia de atribuição de espectro

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

3- Sensoriamento Espectral3- Sensoriamento Espectral

Algumas Técnicas de Sensoriamento

• Matched Filter Detection• Energy Detection• Cyclostationary Feature Detection• etc

4- Novo esquema de Detecção4- Novo esquema de Detecção

• 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-conhecidoou 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

5- Procedimentos do Estudo5- Procedimentos do Estudo

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.

6- Segunda fase do Estudo6- Segunda fase do Estudo

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 principalproprietário de uma banda de espectro licenciado.

7- Conclusão7- Conclusão

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.

7- Conclusão7- Conclusão

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..

8- Referencias Bibliográficas8- Referencias Bibliográficas

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

Engineering

espectro seminterferir

espectro foiintroduzido

emdeterminado espectro

usurios licenciados

usurios principais

usurios secundrios

modulacaopara sensoriamento

sensoriamento espectral4