O desempenho da arquitetura de classificação baseada no perfil-alfa reduzido foi ava-
liada para as modulações AM, BPSK, QPSK, MSK e FSK5, variando-se o nível de SNR
no intervalo de -24 dB a 3 dB e com o tempo de observação controlado indiretamente, definindo-se L = 8, 16, 32 e 64. Nesse cenário, realiza-se o casamento de padrões por correlação entre o perfil-alfa reduzido do sinal analisado e os templates dos perfis-alfa reduzidos das cinco modulações suportadas pela arquitetura.
Como a extração de características cicloestacionárias não sofre no problema da bar- reira de SNR, é possível obter essas características mesmo em ambientes com valores muito baixos de SNR, desde que o tempo de observação do sinal seja grande o suficiente. Um maior tempo de observação implica num melhor desempenho do sistema, entretanto, aumenta-se os requisitos de memória e processamento, o consumo energético e em restri- ções para aplicação em cenários que exigem resposta em tempo real. Portanto, o objetivo é utilizar o menor tempo de observação possível para o desempenho desejado. Dessa forma, os resultados da arquitetura foram avaliados para os tempos de observação defi-
nidos por L = 8, 16, 32 e 646, conforme apresentados, respectivamente, nas Figuras 4.7,
4.8, 4.9 e 4.10.
Na Figura 4.7 é possível observar que, independentemente no nível de SNR, as mo- dulações BPSK e QPSK não atingem 100% de acerto na classificação para L = 8 blocos. Ainda assim, a partir de -1 dB a taxa de acerto é superior a 95% para todas as modulações. Esse mesmo desempenho é obtido a partir de -5 dB para L = 16, -6 dB para L = 32 e -9 dB para L = 64.
Vale observar que as modulações BPSK e QPSK são as mais difíceis de classificar. Esse fenômeno acontece porque alguns impulsos característicos dessas assinaturas, loca-
lizados nas frequências α1, α4e α8, possuem baixa amplitude e desaparecem em cenários
de menor SNR ou menor tempo de observação do sinal. Com isso, a modulação QPSK perde todas as características e a modulação BPSK passa a se confundir com a modulação
AM (restando apenas o impulso em α6). A modulação AM é a mais facilmente classificá-
vel, por possuir apenas um impulso característico de amplitude elevada. Já as modulações MSK e FSK apresentam características bastante fortes, o que implica em taxas de acerto próximas, ou um pouco pior, à da modulação AM.
5Os resultados apresentados não consideram a existência de uma classe de rejeição.
6A quantidade de amostras total é dada por N × L, e como fixamos N = 512, temos que o total de amostras é 512 × L.
CAPÍTULO 4. ANÁLISE DE RESULTADOS 42 Se forem desconsideradas as modulações BPSK e QPSK, podemos visualizar que o desempenho para as modulações AM, MSK e FSK no cenário de L = 8 blocos já supera os 95% a partir de -9 dB. Esse mesmo desempenho melhora com o maior tempo de ob- servação, sendo atingido a partir de -11 dB quando L = 16, a partir de -13 dB quando L = 32 e a partir de -14 dB para L = 64. Ou seja, para as modulações com assinaturas mais fortes, isto é, com impulsos de maior amplitude, é possível atingir elevadas taxas de classificação mesmo com menor tempo de observação e valores muito baixos de SNR.
O desempenho do classificador pode, ainda, ser avaliado a partir do desempenho mé- dio para cada configuração de tempo de observação, como apresentado na Figura 4.11. Verifica-se que uma quantidade de blocos menor que que L = 8 degrada significativa- mente o desempenho do sistema, ao ponto da taxa de acerto não superar 98%, mesmo para maiores valores de SNR. Esses resultados evidenciam que o desempenho é tanto maior, quanto o tempo de observação, o que não ocorreria em técnicas que possuem bar- reira de SNR (como a detecção de energia). Portanto, a arquitetura proposta mostra-se bastante flexível, permitindo ajustar o tempo de observação de acordo com os requisitos de taxa de acerto e faixa de operação de SNR do sistema.
10% 20% 30% 40% 50% 60% 70% 80% 90% 100% −24 −21 −18 −15 −12 −9 −6 −3 0 3 % de Acertos na Classificação SNR (dB) (L=8 blocos) AM BPSK QPSK MSK FSK Média
Figura 4.7: Taxa de acerto do classificador para cada modulação (AM, BPSK, QPSK, MSK e FSK), com L = 8 blocos e variando-se os valores de SNR de -24 a 3 dB.
CAPÍTULO 4. ANÁLISE DE RESULTADOS 43 20% 30% 40% 50% 60% 70% 80% 90% 100% −24 −21 −18 −15 −12 −9 −6 −3 0 3 % de Acertos na Classificação SNR (dB) (L=16 blocos ) AM BPSK QPSK MSK FSK Média
Figura 4.8: Taxa de acerto do classificador para cada modulação (AM, BPSK, QPSK, MSK e FSK), com L = 16 blocos e variando-se os valores de SNR de -24 a 3 dB.
10% 20% 30% 40% 50% 60% 70% 80% 90% 100% −24 −21 −18 −15 −12 −9 −6 −3 0 3 % de Acertos na Classificação SNR (dB) (L=32 blocos ) AM BPSK QPSK MSK FSK Média
Figura 4.9: Taxa de acerto do classificador para cada modulação (AM, BPSK, QPSK, MSK e FSK), com L = 32 blocos e variando-se os valores de SNR de -24 a 3 dB.
CAPÍTULO 4. ANÁLISE DE RESULTADOS 44 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% −24 −21 −18 −15 −12 −9 −6 −3 0 3 % de Acertos na Classificação SNR (dB) (L=64 blocos ) AM BPSK QPSK MSK FSK Média
Figura 4.10: Taxa de acerto do classificador para cada modulação (AM, BPSK, QPSK, MSK e FSK), com L = 64 blocos e variando-se os valores de SNR de -24 a 3 dB. 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% −24 −21 −18 −15 −12 −9 −6 −3 0 3 % de Acertos na Classificação SNR (dB)
Resultado Médio de Acordo com o Tempo de Observação (L)
L=8 blocos L=16 blocos L=32 blocos L=64 blocos
Figura 4.11: Taxa média de acerto do classificador, de acordo com o tempo de observação e variando-se os valores de SNR de -24 a 3 dB.
Capítulo 5
Conclusão
Este trabalho abordou mecanismos eficientes para se obter características cicloesta- cionárias, bem como propôs o uso dessas características como base de arquiteturas de sensoriamento espectral e de classificação automática de modulações.
Inicialmente, foram apresentadas as principais funções da análise cicloestacionária: a função de autocorrelação cíclica (CAF) e a função densidade espectral cíclica (SCD). A CAF pode ser vista como uma generalização da função de autocorrelação e é utilizada para identificar se um determinado processo é cicloestacionário. Por sua vez, a SCD, de- finida como a transformada de Fourier da CAF, é utilizada para obter as características (ou assinaturas) cicloestacionárias de um sinal. Na área de comunicações, essas assinatu- ras podem ser utilizadas para sensoriamento espectral e para classificar sinais modulados. Também foi descrito um dos algoritmos para estimar a função SCD, o Cyclic Periodogram
Detection(CPD).
A função SCD é capaz de extrair características mesmo em ambientes com muito ruído AWGN, não apresentando a restrição da barreira de SNR. Ou seja, é possível obter assinaturas cicloestacionárias em sinais com níveis de SNR arbitrariamente baixos, desde que o tempo de observação do sinal seja suficientemente longo. Entretanto, o cálculo da função SCD apresenta um elevado custo computacional, limitando sua aplicação, p.ex., em sistemas de tempo real.
Neste trabalho foram propostas arquiteturas para obter as assinaturas cicloestacioná- rias de forma mais eficiente. Para calcular a assinatura utilizada na arquitetura de sensoria- mento foi desenvolvida uma versão paralelizada do algoritmo CPD. Já na arquitetura para classificação foi proposta uma assinatura cicloestacionária mais compacta, denominada de perfil-alfa reduzido. Essa arquitetura baseia-se no casamento de padrões por correla- ção entre o perfil-alfa reduzido do sinal avaliado e um banco de perfis-alfa reduzidos das modulações suportadas pelo sistema.
CAPÍTULO 5. CONCLUSÃO 46 rios de probabilidade de detecção e probabilidade de falso alarme. Foram investigados os efeitos do tempo de observação e do ruído AWGN na detecção das modulações QPSK (pior caso) e BPSK (melhor caso). Por sua vez, o desempenho da versão paralelizada do algoritmo foi avaliada através das duas principais métricas da computação paralela: o
speedupe a eficiência paralela.
Já a arquitetura de AMC, foi avaliada para as modulações AM, BPSK, QPSK, MSK e FSK. Foram comparados os desempenhos do classificador para modulações com caracte- rísticas mais formes (AM, MSK e FSK) e as modulações com características mais fracas (BPSK e QPSK). A taxa de acerto da arquitetura foi, então, computada para cenários com diversos tempo de observação.
Os resultados obtidos indicam que as características cicloestacionárias podem ser ob- tidas mesmo em sinais com níveis de SNR muito baixos. Assim, foi possível sensoriar e classificar sinais mesmo quando eles se encontravam muito corrompidos por ruído. A ver- são paralela do algoritmo CPD se revelou eficiente e escalável, permitindo uma redução significativa no tempo computacional necessário para o sensoriamento.
Por sua vez, o perfil-alfa reduzido se mostrou uma assinatura eficiente para a classi- ficação automática de modulações, possibilitando a obtenção de resultados relevantes de taxas de acerto, mesmo utilizando uma estratégia simples de classificação por correlação, com descritores de baixa dimensionalidade.
5.1
Artigos Publicados
A partir da pesquisa abordada nesta dissertação, foram publicados os seguintes arti- gos:
• Lima, A. D. L.; Barros, C. A.; Silveira, L. F. Q. Uso do Coeficiente de Correlação para Classificação de Sinais Cicloestacionários por meio do Perfil-Alfa Reduzido.
11oCongresso Brasileiro de Inteligência Computacional (CBIC 2013).
• Lima, A. D. L.; Barros, C. A.; Silveira, L. F. Q.; Xavier-de-Souza, S.; Valderrama, C. A. Parallel Cyclostationarity-Exploiting Algorithm for Energy-Efficient Spec- trum Sensing. IEICE Transactions on Communications. 2014.